Collaboration with First Nations Communities to Produce Tailored Community-Driven Results
Notice bibliographique
Résumé
IntroductionWhile First Nations communities are well aware of the unique health challenges and requirements of their populations, research evidence is often needed to support this knowledge. First Nations communities face continual challenges accessing data pertaining to the health of their people that is held by the government or other organizations.
 Objectives and ApproachThrough the Applied Health Research Question (AHRQ) program at ICES, First Nations communities in Ontario, Canada, have an avenue to access vital population health information about their people. While keeping questions of privacy, data sovereignty, data governance, and the OCAP® principles at the forefront, First Nations partners are active members and collaborators on community driven projects that are of importance to their communities. An Indigenous health data training program has also been developed to run concurrently with these projects, to enhance research knowledge and capacity within partner First Nations communities.
 ResultsFirst Nations community partners are the main drivers in deciding and refining the research questions for their projects. They are engaged throughout the project process to ensure the production of results that suit the specific needs of the partners. Project results are only shared with the partners, who utilize and disseminate them as appropriate within their communities.
 Conclusion / ImplicationsWith access to previously difficult to access population health data sources, First Nations communities are able to use health system data as an additional tool to better plan and implement community health programs, to lobby for additional funding, and ultimately to contribute to positive policy change.
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 | 0,004 | 0,060 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| 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 ».