Development of training for medicines-oriented policymakers to apply evidence
Notice bibliographique
Résumé
Background: Health systems globally promote appropriate prescribing by healthcare providers and safe and effective medicine use by consumers. Rx for Change, a publicly available database, provides access to systematic reviews regarding best practices for prescribing and using medicines. Despite the value of the database for improving prescribing and medicine use, its use remains suboptimal. This study aimed to develop a training program for five medicine-focused organisations in Canada and Australia to facilitate the use and understanding of the Rx for Change database. Methods: Four steps were undertaken: 1) key informant interviews were completed across all organisations to understand the knowledge user perspective; 2) a directed content analysis was completed of the interview transcripts and proposed training was developed; 3) a second round of feedback on the proposed training by knowledge users was gathered; and 4) feedback was integrated to develop the final training. Results: Sixteen key informant interviews with knowledge users were conducted. Themes for training content included the scope of, navigation and strategies for using Rx for Change (generic content) and practical examples on incorporating evidence within their workplace context (tailored content). The final training consisted of an informational video, a 60-minute face-to-face workshop and two post-training reminders. Conclusions: A method of engaging knowledge users in the development of a training program to improve the use of an on-line database of systematic reviews was established and used to design training. Next steps include the delivery and evaluation of the training.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».