Barriers to and Strategies for Gaining Entry to Correctional Settings for Health Research
Notice bibliographique
Résumé
Conducting research in corrections can contribute to improved individual and public health. Challenges to gaining entry to correctional settings to conduct research can impede research productivity, delay the launch of studies and inhibit researchers from proposing health research in corrections. The purpose of this paper is to share lessons learned from a large-scale corrections research project designed to develop computer-based learning modules to train front-line corrections personnel about geriatric and end-of-life care. Key lessons learned include the importance of building a team of experts, planning and punting, coordinating with institutional review boards and examining denied applications to inform future planning. To be effective in a correctional setting, leaders in nursing research and corrections nursing must work together within the contextual nature of prisons and jails to advance evidence-based practices for this vulnerable population. These lessons serve to establish best practices on how to access correctional settings and to enable more research in corrections.
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 | 0,254 | 0,444 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,007 | 0,005 |
| Études des sciences et des technologies | 0,026 | 0,016 |
| Communication savante | 0,037 | 0,028 |
| Science ouverte | 0,011 | 0,045 |
| Intégrité de la recherche | 0,013 | 0,024 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,025 | 0,007 |
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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».