Optimiser le potentiel d’une communauté de pratique auprès de professionnels en santé : des clés de succès
Bibliographic record
Abstract
Contexte et problématique : La « communauté de pratique » (CoP) auprès de professionnels en exercice suscite de plus en plus d’intérêt en éducation des sciences de la santé. En tant que stratégie d’apprentissage collaboratif, elle valorise et soutient l’explicitation des savoirs d’expérience en vue du développement des meilleures pratiques dans des contextes précis. Or, ce concept a évolué et génère souvent de la confusion voire de la controverse, d’autant qu’il y a plusieurs types de CoP qui sont initiées tantôt par ses membres, tantôt par des organisations qui utilisent cette stratégie pour être plus performantes. Pour optimiser le potentiel de la CoP, il importe de comprendre sa signification, en plus de connaître les principes de base et les conditions de succès pour sa planification, son déroulement et son évaluation. Buts : Résumer le concept évolutif de la CoP, dégager ses principes de base et décrire les principales conditions de succès pour sa planification, son déroulement et son évaluation. Méthodes et résultats : En se référant à la littérature et aux expériences d’animation de CoP d’un des auteurs, ceux-ci en résument le concept évolutif et les principaux principes, puis décrivent sept clés de succès en y associant les principales actions à prévoir pour chacune d’elles. Conclusions : La CoP s’avère être une stratégie d’apprentissage collaboratif des plus pertinentes pour les enseignants en sciences de la santé et leurs organisations qui veulent améliorer les pratiques. Il est souhaitable que ce guide informatif soit utilisé pour faciliter la tenue de projets de CoP et pour en évaluer les impacts.
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 | 0.013 | 0.035 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.004 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.012 | 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".