A Practical Approach to Using Integrated Knowledge Translation to Inform a Community-Based Exercise Study
Notice bibliographique
Résumé
Background: Our aim was to understand cancer survivor needs prior to, and following the Alberta Cancer Exercise (ACE) pilot randomized trial as a means to inform implementation of a province-wide cancer-specific, community-based exercise program. Methods: Questionnaires and semi-structured stakeholder engagement sessions were conducted with cancer survivors to explore preferences, barriers and facilitators/benefits at two timepoints: (1) pre-ACE: prior to initiation of the ACE pilot trial (n = 13 survivors and n = 5 caregivers); and (2) post-ACE: following participation in the ACE pilot trial (n = 20 survivors). Descriptive statistics were used to summarize quantitative data from questionnaires. Stakeholder engagement data were analyzed using a framework analysis approach. Emergent themes were then mapped to actionable outcomes. Results: Pre-ACE, survivors indicated a preference for exercise programs that were (1) supervised by exercise specialists knowledgeable about cancer, (2) included support from other health care providers, (3) were held in community locations that were easily accessible. Post-ACE, participants identified (1) a lack of exercise counseling from health care providers, (2) the need for earlier introduction of exercise in the care pathway, and (3) supported referral to exercise programming. Conclusions: An integrated knowledge translation approach identified actionable outcomes to address survivor needs related to exercise in clinical cancer and community-based contexts.
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 | 0,127 | 0,095 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,007 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,005 | 0,019 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».