Involving patients and families in a social robot study
Notice bibliographique
Résumé
Innovative research in care practice for older people can benefit from the active involvement of patient and family partners. Involvement may begin with identifying priorities, then move to formulate research questions and to plan the research methods, to data collection, and finally to analysis and knowledge dissemination. However, in the field of dementia care, actively engaging patients and families in co-research is a novel practice that needs exploration. This paper describes the experiences and perspectives of two patient researchers and three family researchers, along with four clinicians (two physicians, a nurse, and an occupational therapist) within a social robot project in dementia care. Meeting notes, team reflection focus groups, follow–up interviews, and a research journal were used to document the research process. The results are presented in three themes: (a) identify challenges and lessons learned, (b) co-inquire enriched learning, (c) co-produce knowledge for care improvement. All team members agreed that an inclusive environment was important to facilitate meaningful partnerships for undertaking research together. Trust and respect were seen as vital for a rewarding and productive experience in the co-inquiry journey. Some of the challenges to sustaining participant engagement were competing priorities and a risk of tokenism. This article provides a rich description as well as practical details of the research experiences among team members. We offer examples of lessons learned and practical tips to help others increase the engagement of patients and families in research. Experience Framework This article is associated with the Innovation & Technology lens of The Beryl Institute Experience Framework. (http://bit.ly/ExperienceFramework) Access other PXJ articles related to this lens. Access other resources related to this lens
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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».