Évaluation d’implantation d’un programme de transfert de connaissances par agents multiplicateurs pour la prévention des mauvais traitements chez les jeunes enfants
Bibliographic record
Abstract
L’étude des pratiques de prévention en santé publique laisse voir que les innovations basées sur des données probantes ne sont pas toujours les plus utilisées (Ringwalt et al. 2002, Wandersman et Florin 2003). Dans la volonté de mettre de l’avant non seulement une innovation basée sur des données probantes, mais aussi une innovation réellement utile à la communauté que le Centre de liaison sur l’intervention et la prévention psychosociale (CLIPP) a mis sur pied en 2006 le programme de formation par agents multiplicateurs «Agir en milieu de garde» ayant pour principal objectif la prévention des mauvais traitements chez les jeunes enfants. La présente étude vise à décrire l’implantation de ce programme dans les services de garde en milieu familial du Québec et à examiner les processus qui ont influencé cette implantation. Les résultats exposent le niveau d’implantation sur deux plans : le dosage et la fidélité. L’étude des processus d’implantation permet de documenter l’influence sur le niveau d’implantation de quatre types de facteurs : individuels, organisationnels, communautaires et propres à l’innovation ainsi que l’influence des interactions entre ces différents 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 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 | 0.008 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.014 | 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 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".