“One program that could improve health in this neighbourhood is ____?” using concept mapping to engage communities as part of a health and human services needs assessment
Notice bibliographique
Résumé
BACKGROUND: This paper presents the findings of a rapid needs assessment conducted at the request of the local health authority responsible for health care services, the Toronto Central Local Health Integration Network (Ontario, Canada), to inform health and social service planning. METHODS: We utilized concept mapping methodology to facilitate engagement with diverse stakeholders-more than 300 community members and service providers-with a focus on hard to reach populations. Key informant interviews with service providers were used to augment findings. RESULTS: Participants identified 48 unique services or service approaches they believed would improve the health of residents in the area, including those addressing health care, mental health and addictions, youth, families, people experiencing homelessness, seniors, general social services, and services targeting specific populations. While service providers consistently identified a critical need for mental health and addiction services, community members placed greater importance on the social determinants of health including access to housing, job placement supports and training and service accessibility. Both groups agreed that services and programs for seniors and people experiencing homelessness would be highly important. CONCLUSION: Our study provides a unique example of using concept mapping as a tool to aid a rapid service gap analysis and community engagement in a metropolitan area. The findings also reinforce the importance of working cross-sectorally, using a Health in All Policies approach when planning services for underserved populations.
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 | 0,014 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».