Maximizing Chronic Disease Prevention and Management through Community Based Participatory Research and Inter-collaborative Practices
Notice bibliographique
Résumé
Worldwide societies are aging, giving rise to focus more on chronic disease prevention and management efforts. Such initiatives may be maximized by incorporating a community based participatory research (CBPR), as well as an inter-collaborative practice (ICP) approach. Each strive to garner viable and constructive ideas from varied contributors, so as to help resolve current societal issues and challenges. The aim of this review is to consider use of CBPR and ICP strategies as ways to help ascertain the real and diverse health and social care needs of individuals, groups, and even whole societies. The setting was non-institutional and community based. The method and design utilized a critical social science perspective; a cross-section of the literature was reviewed over a period of three months in 2012. Varied databases were accessed, including PsyLit, Sociofile, PubMed, and Ageline. Conclusions showed that, although scantly addressed; it appears that the utilization of CBPR and ICP strategies may help professionals, community organization personnel, and lay citizens better allocate scarce community resources. Collectively and individually, these versatile strategies may help maximize a given community’s chronic disease management and prevention potential. Towards this on-going end, this paper seeks to contribute.
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 | 0,138 | 0,101 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,011 | 0,010 |
| Communication savante | 0,011 | 0,010 |
| Science ouverte | 0,003 | 0,021 |
| Intégrité de la recherche | 0,004 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».