MétaCan
Menu
Retour à la cohorte
Enregistrement W2113096920 · doi:10.1111/j.1553-2712.2010.00810.x

Community‐based Participatory Research: Development of an Emergency Department–based Youth Violence Intervention Using Concept Mapping

2010· article· en· W2113096920 sur OpenAlexafffundabout
Maritt Kirst, Shakira Abubakar, Farah Ahmad, Avery B. Nathens

Notice bibliographique

RevueAcademic Emergency Medicine · 2010
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueGun Ownership and Violence Research
Établissements canadiensSystems, Applications & Products in Data Processing (Canada)University of TorontoSt. Michael's Hospital
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésTeachable momentMedicineBrainstormingIntervention (counseling)Psychological interventionEmergency departmentParticipatory action researchMedical educationQualitative researchNursingPsychologySociology

Résumé

récupéré en direct d'OpenAlex

OBJECTIVES: Emergency departments (EDs) see a high number of youths injured by violence. In Ontario, the most common cause of injury for youths visiting EDs is assault. Secondary prevention strategies using the teachable moment (i.e., events that can lead individuals to make positive changes in their lives) are ideal for use by clinicians. An opportunity exists to take advantage of the teachable moment in the ED in an effort to prevent future occurrences of injury in at-risk youths. However, little is known about perceptions of youths, parents, and community organizations about such interventions in EDs. The aims of this study were to engage youths, parents, and frontline community workers in conceptualizing a hospital-based violence prevention intervention and to identify outcomes relevant to the community. METHODS: Concept mapping is an innovative, mixed-method research approach. It combines structured qualitative processes such as brainstorming and group sorting, with various statistical analyses such as multidimensional scaling and hierarchical clustering, to develop a conceptual framework, and allows for an objective presentation of qualitative data. Concept mapping involves multiple structured steps: 1) brainstorming, 2) sorting, 3) rating, and 4) interpretation. For this study, the first three steps occurred online, and the fourth step occurred during a community meeting. RESULTS: Over 90 participants were involved, including youths, parents, and community youth workers. A two-dimensional point map was created and clusters formed to create a visual display of participant ideas on an ED-based youth violence prevention intervention. Issues related to youth violence prevention that were rated of highest importance and most realistic for hospital involvement included mentorship, the development of youth support groups in the hospital, training doctors and nurses to ask questions about the violent event, and treating youth with respect. Small-group discussions on the various clusters developed job descriptions, a list of essential services, and suggestions on ways to create a more youth-friendly environment in the hospital. A large-group discussion revealed outcomes that participants felt should be measured to determine the success of an intervention program. CONCLUSIONS: This study has been the springboard for the development of an ED-based youth violence intervention that is supported by the community and affected youth. Using information generated by youth that is grounded in their experience through participatory research methods is feasible for the development of successful and meaningful youth violence prevention interventions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,077
score de la tête « metaresearch » (Gemma)0,055
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,077
Score d'incertitude au seuil0,409

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0770,055
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,002
Études des sciences et des technologies0,0070,004
Communication savante0,0030,004
Science ouverte0,0040,009
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,536
Tête enseignante GPT0,526
Écart entre enseignants0,010 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations44
Publié2010
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueAcademic Emergency MedicineMême sujetGun Ownership and Violence ResearchTravaux en français237 207