Collaborative engagement of Hispanic communities in the planning, conducting, and dissemination of assistive technology research
Notice bibliographique
Résumé
Abstract Introduction: Community engagement (CE) is critical for research on the adoption and use of assistive technology (AT) in many populations living in resource-limited environments. Few studies have described the process that was used for engaging communities in AT research, particularly within low-income communities of older Hispanic with disabilities where limited access, culture, and mistrust must be navigated. We aimed to identify effective practices to enhance CE of low-income Hispanic communities in AT research. Methods: The community stakeholders included community-based organizations, the community healthcare clinic, the local AT project, and residents of the Caño Martín Peña Community in San Juan, Puerto Rico. The CE procedures and activities during the Planning the Study Phase comprised working group meetings with stakeholders to cocreate the funding proposal for the study and address the reviewers’ critiques. During the Conducting the Study Phase , we convened a Community Advisory Board to assist in the implementation of the study. During the Disseminating the Study Results Phase , we developed and implemented plans to disseminate the research results. Results: We identified seven distinct practices to enhance CE in AT research with Hispanic communities: (1) early and continuous input ; (2) building trusting and warm relationships through personal connections ; (3) establishing and maintaining presence in the community ; (4) power sharing ; (5) shared language ; (6) ongoing mentorship and support to community members ; and (7) adapting to the changing needs of the community . Conclusion: Greater attention to CE practices may improve the effectiveness and sustainability of AT research with low-income communities.
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 | 0,013 | 0,006 |
| 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 | 0,000 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».