Promoting Culturally Respectful Cancer Education Through Digital Storytelling
Notice bibliographique
Résumé
Cancer is the leading cause of mortality among Alaska Native people. Over half of Alaska Native people live in rural communities where specially trained community members called Community Health Aides/Practitioners (CHA/Ps) provide health care. In response to CHA/Ps' expressed desire to learn more about cancer, four 5-day cancer education and digital storytelling courses were provided in 2014. Throughout each course, participants explored cancer information, reflected on their personal experiences, and envisioned how they might apply their knowledge within their communities. Each course participant also created a personal and authentic digital story, a methodology increasingly embraced by Indigenous communities as a way to combine storytelling traditions with modern technology to promote both individual and community health. Opportunities to learn of CHA/Ps' experiences with cancer and digital storytelling included a 3-page end-of-course written evaluation, a weekly story-showing log kept for 4 weeks post-course, a group teleconference held 1-2 weeks post-course, and a survey administered 6 months post-course. Participants described digital storytelling as a culturally respectful way to support cancer awareness and education. Participants described the process of creating digital stories as supporting knowledge acquisition, encouraging personal reflection, and sparking a desire to engage in cancer risk reduction activities for themselves and with their families and patients. As a result of creating a personalized digital story, CHA/Ps reported feeling differently about cancer, noting an increase in cancer knowledge and comfort to talk about cancer with clients and family. Indigenous digital stories have potential for broad use as a culturally appropriate health messaging tool.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».