Community Engagement and Participation in Collective Impact Initiatives
Notice bibliographique
Résumé
There is no question that large social problems like poverty and educational inequality are difficult to solve. Many groups throughout the nation and world are adopting the framework of collective impact in efforts to solve these problems together, as opposed to working in individual silos yielding only isolated impact. However, the framework that is used to align high-level leaders and resources has been criticized for being too “top down” and perhaps leaving out the actual people who are directly affected by the interventions. This report examines whether and how collective impact initiatives foster the participation and engagement of the very people that the initiatives purport to affect. It presents three case studies of initiatives that have had great success solving a social problem in their communities: Shape Up Somerville (childhood obesity and community health in Massachusetts); the Communities That Care Coalition of Franklin County and the North Quabbin (teen substance abuse in rural Massachusetts); and Vibrant Communities and the Hamilton Roundtable for Poverty Reduction (poverty reduction in Ontario, Canada). Analysis of these collective impact initiatives through the lens of community engagement and participation finds that not all groups have been intentional about creating structures that, from the beginning, meaningfully involve affected populations at the leadership level. However, some groups are moving toward greater inclusion, and do rely on community members for consultation and implementation of strategies. To do so, initiatives must consider that the deepest forms of engagement require considerable capacity building and support of new leaders, and that groups must take time to develop trusting relationships at all levels of engagement.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».