Knowledge management tools and mechanisms for evidence-informed decision-making in the WHO European Region: a scoping review
Notice bibliographique
Résumé
Abstract Background Knowledge management (KM) emerged as a strategy to promote evidence-informed decision-making. This scoping review aims to map existing KM tools and mechanisms used to promote evidence-informed health decision-making in the WHO European Region and identify knowledge gaps. Methods Following the Joanna Briggs Institute (JBI) guidance for conducting scoping reviews, we searched Medline, PubMed, EMBASE, the Cochrane library, and Open Grey. We conducted a descriptive analysis of the general characteristics of the included papers and conducted narrative analysis of the included studies and categorized studies according to KM type and phase. Results Out of 9541 citations identified, we included 141 studies. The KM tools mostly assessed are evidence networks, surveillance tools, observatories, data platforms and registries, with most examining KM tools in high-income countries of the WHO European region. Findings suggest that KM tools can identify health problems, inform health planning and resource allocation, increase the use of evidence by policymakers and stimulate policy discussion. Conclusion Policymakers and funding agencies are called to support capacity-building activities, and future studies to strengthen KM in the WHO European region particularly in Eastern Europe and Central Asia. An updated over-arching strategy to coordinate KM activities in the WHO European region will be useful in these efforts.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,093 | 0,257 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,007 |
| Bibliométrie | 0,048 | 0,042 |
| Études des sciences et des technologies | 0,003 | 0,005 |
| Communication savante | 0,015 | 0,015 |
| Science ouverte | 0,004 | 0,008 |
| Intégrité de la recherche | 0,006 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».