Une synthèse exploratoire du courtage en connaissance en santé publique
Bibliographic record
Abstract
Il est réclamé que les politiques et interventions en santé publique soient fondées sur des données probantes. Aussi, pour favoriser l’utilisation des résultats de recherche, le recours à des courtiers en connaissances est de plus en plus suggéré. Cet article présente une synthèse exploratoire de l’état des savoirs concernant cette nouvelle stratégie. Nous avons réalisé une étude de portée ( scoping study ) en consultant les principales banques de données. Dix-neuf articles ont été inclus dans l’analyse qui a été conçue avec une grille élaborée de façon itérative. La synthèse montre que les initiatives de courtage de connaissances comportent i) des activités de planification (identification des parties prenantes, création de réseaux et partenariats, analyse du contexte, identification des problèmes, identification des besoins), ii) un soutien aux courtiers (formation, aide technique, élaboration d’un guide de pratique) et iii) les activités de courtage en soi (gestion de l’information, liaison entre producteurs et utilisateurs de connaissances, formation des utilisateurs). Seulement quatre articles présentent des données empiriques sur les effets des activités des courtiers. Trois sont associées à une augmentation du niveau de connaissance du public visé. Aucune étude n’a démontré d’impact sur les comportements cliniques et sur le contenu des politiques publiques. Cette synthèse a mis au jour les défis des initiatives de courtage ainsi que les caractéristiques et habiletés que devraient détenir un courtier. Si le courtage de connaissances semble prometteur, un effort doit maintenant être effectué pour qu’il soit plus systématiquement évalué afin d’apporter des preuves de son efficacité.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.090 | 0.234 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.003 | 0.003 |
| Bibliometrics | 0.013 | 0.016 |
| Science and technology studies | 0.004 | 0.007 |
| Scholarly communication | 0.012 | 0.012 |
| Open science | 0.002 | 0.006 |
| Research integrity | 0.003 | 0.005 |
| Insufficient payload (model declined to judge) | 0.020 | 0.002 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".