Participant, peer and PEEP: considerations and strategies for involving people who have used illicit substances as assistants and advisors in research
Notice bibliographique
Résumé
BACKGROUND: The Peer Engagement and Evaluation Project (PEEP) aimed to engage, inspire, and learn from peer leaders who represented voices of people who use or have used illicit substances, through active membership on the 'Peeps' research team. Given the lack of critical reflection in the literature about the process of engaging people who have used illicit substances in participatory and community-based research processes, we provide a detailed description of how one project, PEEP, engaged peers in a province-wide research project. METHODS: By applying the Peer Engagement Process Evaluation Framework, we critically analyze the intentions, strategies employed, and outcomes of the process utilized in the PEEP project and discuss the implications for capacity building and empowerment among the peer researchers. This process included: the formation of the PEEP team; capacity building; peer-facilitated data collection; collaborative data analysis; and, strengths-based approach to outputs. RESULTS: Several lessons were learned from applying the Peer Engagement Process Evaluation Framework to the PEEP process. These lessons fall into themes of: recruiting and hiring; fair compensation; role and project expectations; communication; connection and collaboration; mentorship; and peer-facilitated research. CONCLUSION: This project offers a unique approach to engaging people who use illicit substances and demonstrates how participation is an important endeavor that improves the relevance, capacity, and quality of research. Lessons learned in this project can be applied to future community-based research with people who use illicit substances or other marginalized groups and/or participatory settings.
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 | 0,009 | 0,001 |
| 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 | 0,003 | 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 ».