Vers une meilleure compréhension de l’implantation d’un programme de transfert de connaissances par agents multiplicateurs
Bibliographic record
Abstract
Malgré une augmentation de l’utilisation des programmes psychosociaux basés sur des données probantes (Fraser, 2004; Gira, Kessler & Poertner, 2004; Howard, McMillen & Pollio, 2003), ces programmes ne sont toujours pas les plus utilisés (Ringwalt et al. 2002, Wandersman & Florin 2003). En effet, le transfert et l’implantation des programmes sont des processus complexes et le développement d’interventions démontrées efficaces n’est qu’une étape vers l’amélioration de la santé et du bien-être des populations (Durlak & DuPre, 2008). Le présent article a pour objectif d’expliciter le processus d’implantation du programme Agir en milieu de garde et les facteurs qui l’ont influencé. Ce programme par agents multiplicateurs mis sur pied par le Centre de liaison sur l’intervention et la prévention psychosociales (CLIPP) vise à prévenir les mauvais traitements chez les jeunes enfants en formant des agentes dans les bureaux coordonnateurs de la garde en milieu familial sur les connaissances issues de la recherche en matière de mauvais traitements envers les enfants afin que ces agentes forment à leur tour les responsables en service de garde familial de leur milieu. Après un bref retour sur les résultats du premier volet de l’étude ayant permis d’évaluer le niveau d’implantation et l’influence d’un certain nombre de facteurs organisationnels, individuels et propres au programme (Briand-Lamarche & Dagenais, 2012), le présent article se concentre sur le second volet de l’étude. Ce second volet a permis, grâce à des entrevues semi-structurées avec 49 des agentes multiplicatrices du programme, de comprendre l’influence sur l’implantation de l’interaction des facteurs organisationnels, individuels, propres au programme et communautaires. Les résultats de ce second volet de l’étude permettent de démontrer que, comme le soulignent Durlak et DuPre (2008), une implantation efficace dépend de l’interaction de plusieurs facteurs.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.001 |
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 teacher head, 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".