Navigating a way forward: using focused ethnography and community readiness to study disability issues in Ladakh, India
Notice bibliographique
Résumé
PURPOSE: This article offers a discussion about the use of focused ethnography and the community readiness model to study disability at the community level in cross-cultural or international settings. It describes lessons learned when applying these methods to inform community-based disability programming in remote, rural villages in Ladakh, India. METHODS: Data were collected from 30 persons with disabilities, family members and community leaders in four remote villages using interviews and participant observation. All interviews were analysed qualitatively using a mix of inductive and deductive techniques. Community readiness interviews were scored using anchored rating scales to determine level of 'readiness' to take action on meeting the needs of persons with disabilities. Following the initial assessment, community workshops were used to disseminate results and facilitate local engagement in planning and intervention. RESULTS: There were minor challenges and significant benefit in the application of these two approaches in Ladakh; outcomes included: a known level of community readiness that can be used to improve targeting of appropriate community-based intervention and assess change over time, identification of salient needs, barriers and facilitators for persons with disabilities and their families; and community-level engagement during and following the research. CONCLUSIONS: Research models with participatory components like focused ethnography and community readiness hold significant promise for planning and evaluating community-based disability programmes.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,005 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
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; les deux têtes enseignantes 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 ».