Community engagement and knowledge translation: Progress and challenge in autism research
Notice bibliographique
Résumé
The last decade has seen significant growth in scientific understanding and public awareness of autism. There is still a long road ahead before this awareness can be matched with parallel improvements in evidence-based practice. The process of translating evidence into community care has been hampered by the seeming disconnect between the mainstream scientific research agenda and the immediate priorities of many communities. The need for community engagement in the process of translating knowledge into impact has been recognized. However, there remains little consensus or empirical data regarding the process of such engagement and how to measure its impact. We shed light on a number of engagement models and tools, previously advocated in health research, as they apply to autism research. Furthermore, we illustrate the utility of such tools in supporting identification of knowledge gaps and priorities, using two community-based case studies. The case studies illustrate that information generated from research is indeed relevant and critical for knowledge users in the community. Simple and systematic methods can support the translation and uptake of knowledge in diverse communities, therefore enhancing engagement with research and bridging research findings with immediate community needs.
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 | 0,454 | 0,520 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,003 |
| Bibliométrie | 0,013 | 0,015 |
| Études des sciences et des technologies | 0,021 | 0,062 |
| Communication savante | 0,049 | 0,065 |
| Science ouverte | 0,011 | 0,075 |
| Intégrité de la recherche | 0,018 | 0,018 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,003 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».