Employing Participatory Citizen Science Methods to Promote Age-Friendly Environments Worldwide
Notice bibliographique
Résumé
The trajectory of aging is profoundly impacted by the physical and social environmental contexts in which we live. While “top–down” policy activities can have potentially wide impacts on such contexts, they often take time, resources, and political will, and therefore can be less accessible to underserved communities. This article describes a “bottom–up”, resident-engaged method to advance local environmental and policy change, called Our Voice, that can complement policy-level strategies for improving the health, function, and well-being of older adults. Using the World Health Organization’s age-friendly cities global strategy, we describe the Our Voice citizen science program of research that has specifically targeted older adults as environmental change agents to improve their own health and well-being as well as that of their communities. Results from 14 Our Voice studies that have occurred across five continents demonstrate that older adults can learn to use mobile technology to systematically capture and collectively analyze their own data. They can then successfully build consensus around high-priority issues that can be realistically changed and work effectively with local stakeholders to enact meaningful environmental and policy changes that can help to promote healthy aging. The article ends with recommended next steps for growing the resident-engaged citizen science field to advance the health and welfare of all older adults.
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 | 0,083 | 0,048 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,006 |
| Communication savante | 0,007 | 0,005 |
| Science ouverte | 0,002 | 0,015 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».