Collaborative risk-driven intervention: research supporting technology-enabled opportunities for upstream virtual services in rural and remote communities
Notice bibliographique
Résumé
In 2011, Canada’s Hub Model of Collaborative Risk-Driven Intervention was launched in Prince Albert, SK. Since that time, over 60 communities across the country have replicated the initiative, resulting in over 9,500 rapid interventions of acutely-elevated risk. For the most part, however, these multi-sector efforts to detect elevations in risk, share limited information, and mitigate risk before harm occurs, have taken place in small-to-large-size communities. Still uncertain, is how the benefits of the Hub Model can be expanded to support individuals in rural and remote communities. This article represents a compilation of extracts from a larger body of work conducted to research, explore, and propose a pilot project for application of collaborative risk-driven intervention in a virtual environment. Part of this effort includes a review of literature on the Hub Model, adaptations of human service initiatives, and the relationship between human service provision and information and communication technology (ICT). Consultations with 199 different human service and ICT professionals lay the groundwork for development of theory, assumptions, risks, options, and solutions for implementation of a tech-enabled Hub. Of course, the implications for service mobilization through a remote presence extend far beyond just the Hub Model. Therefore, this article aims to encourage and inspire action-based research that propels a wide variety of tech-enabled opportunities for improving community safety and well-being.
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 | 0,016 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,014 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,005 |
| 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 ».