Exploring University Age-Friendliness Using Collaborative Citizen Science
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Since the launch of Dublin City University's Age-Friendly University (AFU) Initiative in 2012, relatively little empirical research has been published on its feasibility or implementation by institutions of higher learning. This article describes how collaborative citizen science-a research method where professional researchers and community members work together across multiple stages of the research process (e.g., data collection, analysis, and/or knowledge mobilization) to investigate an issue-was used to identify barriers and supports to university age-friendliness at the University of Manitoba (UofM) in Canada. RESEARCH DESIGN AND METHODS: Ten citizen scientists each completed 1 data collection walk around the UofM campus and used a tablet application to document AFU barriers and supports via photographs and accompanying audio commentaries. The citizen scientists and university researchers then worked together in 2 analysis sessions to identify AFU priority areas and brainstorm recommendations for institutional change. These were then presented to a group of interested university stakeholders. RESULTS: The citizen scientists collected 157 photos documenting AFU barriers and supports on campus. Accessibility, signage, and transportation were identified as being the most pressing issues for the university to address to improve overall age-friendliness. DISCUSSION AND IMPLICATIONS: We suggest that academic institutions looking to complete assessments of their age-friendliness, particularly those exploring physical barriers and supports, could benefit from incorporating older citizen scientists into the process of collecting, analyzing, and mobilizing findings.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».