Knowledge Profiling as Emergent Theory in Community-Based Participatory Research
Notice bibliographique
Résumé
BACKGROUND: Many sources of valid knowledge may be relevant to a research question. Communities need a mechanism to explore the full range of knowledge that could enrich community-based research. A knowledge profile (KP) is an integrated description of the knowledge and expertise that, once assembled, can help to explore a research issue. OBJECTIVE: This article describes the establishment of a KP as a purposive process whereby the initial research team identifies the kinds of knowledge that can help to articulate and refine a research question, and assemble the right research team and resources. METHOD: The KP process is conducted by a core team, which may expand to include additional expertise. The four phases of a KP are (1) creating the research space, (2) articulating and negotiating, (3) identifying the research question, and (4) creating the resource inventory. The process is illustrated by a case study. The outcomes of a successful KP include an inventory of existing and required resources, a strong research team operating in an ethical and safe research space, and clear articulation of the research question. The KP can be revisited regularly throughout a project to evaluate the effectiveness of the research team. CONCLUSION: KP provides a road map for community-based research teams to navigate through the early phase of research development.
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 | 0,222 | 0,201 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,013 | 0,008 |
| Études des sciences et des technologies | 0,014 | 0,078 |
| Communication savante | 0,019 | 0,023 |
| Science ouverte | 0,005 | 0,020 |
| Intégrité de la recherche | 0,006 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».