“We Make the Path by Walking It”: Building an Academic Community Partnership With Boston Chinatown
Notice bibliographique
Résumé
BACKGROUND: The potential for academic community partnerships are challenged in places where there is a history of conflict and mistrust. Addressing Disparities in Asian Populations through Translational Research (ADAPT) represents an academic community partnership between researchers and clinicians from Tufts Medical Center and Tufts University and community partners from Boston Chinatown. Based in principles of community-based participatory research and partnership research, this partnership is seeking to build a trusting relationship between Tufts and Boston Chinatown. OBJECTIVES: This case study aims to provides a narrative story of the development and formation of ADAPT as well as discuss challenges to its future viability. METHODS: Using case study research tools, this study draws upon a variety of data sources including interviews, program evaluation data and documents. RESULTS: Several contextual factors laid the foundation for ADAPT. Weaving these factors together helped to create synergy and led to ADAPT's formation. In its first year, ADAPT has conducted formative research, piloted an educational program for community partners and held stakeholder forums to build a broad base of support. CONCLUSIONS: ADAPT recognizes that long term sustainability requires bringing multiple stakeholders to the table even before a funding opportunity is released and attempting to build a diversified funding base.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,017 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,034 | 0,011 |
| Communication savante | 0,008 | 0,007 |
| Science ouverte | 0,004 | 0,021 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».