Setting research priorities in age-related vision loss: The first step in a critical participatory action research approach
Notice bibliographique
Résumé
There are no known examples of studies utilizing a critical participatory action research (CPAR) approach with older adults aging with vision loss, to better understand how environmental factors impact activity engagement. As such, the aim of this article was to share the process of initiating a CPAR approach with older adults with age-related vision loss to identify a set of research and/or rehabilitation priorities related to the influence of physical, social, cultural, political, and institutional environmental factors on activity engagement. This study utilized a CPAR approach. Eight older adults (aged 65 years of age and older) with a diagnosis of age-related vision loss (including macular degeneration, glaucoma, and/or diabetic retinopathy) took part in three half-day meetings as well as a one-on-one interview over a period of 2 months. Through a series of facilitated group discussions, the older adults identified research and/or rehabilitation priorities related to how environmental influences support or limit the participation of older adults with age-related vision loss (ARVL) in everyday activities. Three research and/or rehabilitation priorities were identified including (1) community mobility; (2) assistive technology; and (3) community support and services. For each priority, the older adults, along with the researchers, answered four key questions including (1) What do we need to know more about? (i.e., research question); (2) How could we learn more about this? (i.e., proposed methods of data collection); (3) Who would we need to involve as key stakeholders? (i.e., participants); and (4) What would change look like? (i.e., action potential). This study shared the process of initiating a CPAR process with eight older adults with ARVL to identify research and/or rehabilitation priorities. By doing so, this study will help to provide direction for future ARVL research and rehabilitation that is grounded, methodologically, in a CPAR approach.
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 | 0,376 | 0,251 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,003 |
| Bibliométrie | 0,007 | 0,004 |
| Études des sciences et des technologies | 0,024 | 0,033 |
| Communication savante | 0,025 | 0,029 |
| Science ouverte | 0,008 | 0,035 |
| Intégrité de la recherche | 0,020 | 0,023 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».