DEVELOPING RURAL INSIGHTS FOR BUILDING SUSTAINABLE AGE-FRIENDLY COMMUNITIES INITIATIVES
Notice bibliographique
Résumé
Abstract Researchers have questioned the focus on describing features of preliminary age-friendly implementation and the absence of program evaluations or analyses of long-term implementation. This lack of knowledge inadvertently simplifies unique pathways to age-friendly sustainability, preventing researchers from conducting in-depth, retrospective examinations of age-friendly and post-age-friendly perspectives. Seeking to address this critique, this research examines the challenges to rural age-friendly program sustainability, and the factors that may help committees overcome these barriers. Data were collected through a succession of qualitative studies, including a provincial age-friendly program evaluation and a series of studies examining sustainability in rural initiatives. Eighty in-depth interviews with age-friendly leaders and older participants from 27 rural Canadian programs were conducted, seeking knowledge about programs’ development and implementation. Key findings include the conceptualization of an implementation gap between early development and long-term viability, the important role played by individual communities, the challenges of capacity and jurisdictional fragmentation, and the inability of rural age-friendly programs to tackle bigger picture issues such as housing and transportation given their necessarily limited scope and reach. Implications relevant for research and practice suggest that drawing on individual, community, and jurisdictional factors will maximize the success and sustainability of rural age-friendly programs, thereby extending the reach and scale of programs to more directly affect older people. From this, we conclude that the sustainability and success of rural age-friendly programs would benefit from consistent, renewable government funding that considers factors relevant to overcoming the implementation gap and challenges created by jurisdictional fragmentation and de-emphasizing community individuality.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,010 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,013 | 0,009 |
| Communication savante | 0,010 | 0,007 |
| Science ouverte | 0,002 | 0,009 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».