Using Implementation Science to Support a Research and Public Policy Sector Older Adult Social Housing Partnership
Notice bibliographique
Résumé
Abstract One quarter of the residents in the City of Toronto is comprised of older adults, and this number is expected to continue to grow dramatically over the next few decades. The development of evidence-based interventions to meet the health and social care needs of Toronto’s aging population can be hampered by failing to account for broader implementation considerations that can adversely affect successful uptake. The present initiative provides a case-example of a research and public policy sector partnership that used an implementation approach to co-design an older adult social housing model for low-income older adult groups. Implementation science is the study of the uptake of research evidence into practice. Our team used the Consolidated Framework for Implementation Research (CFIR) to support the planning, implementation and evaluation process of a new social housing model for older adults by: 1) identifying all relevant stakeholders; 2) generating evidence via qualitative interviews/focus groups, a scoping review, secondary data analysis, and an environmental scan; 3) facilitating large scale stakeholder consultation events with older adults, front-line practitioners and other community agencies; 4) supporting the development of an evaluation framework; and 5) providing opportunities for knowledge exchange and transfer across each phase of the initiative. An implementation science approach has augmented the ability of the City of Toronto to optimize the co-creation of housing strategies aimed at improving the overall wellness of vulnerable older adults living in social housing. Further, a number of valuable lessons were learned on how to foster successful research and public policy relationships.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».