État de la recherche sur la mise en œuvre des stratégies de transfert de connaissances en santé et sécurité du travail : une revue de la portée
Notice bibliographique
Résumé
Le domaine de la santé et la sécurité du travail (SST) bénéficie de l'application des connaissances issues de la recherche (CIR) par la mise en œuvre d'une panoplie d’interventions en milieux de travail. Ces stratégies de transfert de connaissances (TC) ont pour but d’améliorer la santé et la sécurité des travailleurs. Toutefois, malgré les preuves disponibles sur la mise en œuvre de ces interventions, il existe encore peu d’orientations sur les pratiques de mise en œuvre dans ce domaine. Le présent mémoire vise à faire l’état de la recherche actuelle sur les facteurs qui font obstacle ou facilitent leurs mises en œuvre. Pour ce faire, une revue de la portée a été réalisée. Au total, 30 études ont été retenues. Trois cadres conceptuels ont été mobilisés lors de l’analyse. Dans l'ensemble, les stratégies de TC répertoriées sont mises en œuvre dans des contextes très variés, mettant en évidence la complexité inhérente à ce domaine de recherche et de pratiques. Ces stratégies revêtent également de nombreuses formes (p. ex. activités de formation) et s’adressent à divers utilisateurs (p. ex. travailleurs, \ngestionnaires, etc.). Plusieurs facteurs notables exercent une influence sur la mise en œuvre des stratégies de transfert de connaissances, englobant quatre domaines du Consolidated Framework for Implementation Research (CFIR) : les caractéristiques de l’intervention, le contexte interne, les caractéristiques des individus et le processus d’implantation. La spécificité de ces facteurs dans le contexte de la SST est discutée. En conclusion, nous proposons des pistes \nde réflexion pour guider les recherches futures sur le sujet.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,002 | 0,001 |
| 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 ».