A Multiple Agencies and Counties Partnership: Improving Parental Substance Use and Services Delivery Outcomes through a Network Development And Collaboration
Notice bibliographique
Résumé
Cross-sector collaboration has been defined as connecting or sharing information, resources, activities, and capabilities by organizations in two or more areas to achieve together an outcome that could not be achieved by organizations in one area separately (Bryson, Crosby, & Stone, 2006). To collaborate, agencies may need to consider questions, such as why to collaborate; what theory or theories will guide the collaboration; what are characteristics of effective networks; what governing structure will be used; how to evaluate the effectiveness of the collaboration network; and what are the benefits and challenges of collaboration. Because families are not being provided services within expected timeframes and because of a significant increase in foster care placements—which was largely driven by parental substance use—there is a need for collaboration among service providers in Central Virginia. A Multiple Agencies and Counties Partnership (MACP) was formed to address these problems. The purpose of this article is to present a case study of the development and accomplishments of MACP in Central Virginia and to relate the development and accomplishments of MACP to each of the aforementioned considerations, which may provide generalized lessons that other agencies may consider when collaborating. Keywords: collaboration, substance use, community, lessons learned
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 | 0,008 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,011 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».