Assessing Mitral Valve Stenosis by Real-time 3-Dimensional Echocardiography in Systemic Lupus Erythematosus: A Look Inside the Heart: Figure 1.
Notice bibliographique
Résumé
Background Māori regard stories as a preferred method for imparting knowledge through waiata (song), moteatea (poetry), kauwhau (moralistic tale), pakiwaitara (story) and purakau (myths). Storytelling is also an expression of tinorangatiratanga (self-determination); Māori have the right to manage their knowledge, which includes embodiment in forms transcending typical western formulations. Digital storytelling is a process by which ‘ordinary people’ create short autobiographical videos. It has found application in numerous disciplines including public health and has been used to articulatethe experiences of those often excluded from knowledge production. Aim To explore the use of digital storytelling as a research method for learning about whānau (family) experiences providing end of life care for kaumātua (older people). Methods Eight Māori and their nominated co-creators attended a three-day digital story telling workshop led by co-researchers Shuchi Kothari and Sarina Pearson. They were guided in the creation of first-person digital stories about caring for kaumātua. The videos were shared at a group screening, and participants completed questionnaires about the workshop and their videos. A Kaupapa Māori narrative analysis was applied to their stories to gain new perspectives on Māori end of life caregiving practices. (Kaupapa Maori research privileges Maori worldviews and indigenous knowledge systems.) Results Digital storytelling is an appropriate method as Māori is an oral/aural society. It allows Māori to share their stories with others, thus promoting community support at the end of life, befitting a public health approach. Conclusion Digital storytelling can be a useful method for Māori to express their experiences providing end of life caregiving.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 0,002 |
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 ».