Modifications to a Collaborative Network During the COVID-19 Pandemic: Adapting to a Changing Landscape to Meet Community Needs
Notice bibliographique
Résumé
Individuals living in the United States of America experienced remarkable changes to their activities, routines, and facets of their daily life as a result of the coronavirus or COVID-19. Mitigation strategies, including social distancing, telework and telemental health (TMH), have had significant implications in neighborhoods and communities. Research has indicated community collaboration in behavioral health is a key factor in meeting the health needs of individuals through the organization of resources, shared communication, and an understanding of the roles of different community agencies (Christens & Inzeo, 2015; Walzer, Weaver, & Mcguire, 2016). As a result of COVID-19, Central Virginia’s behavioral healthcare and human services agencies shifted from largely face-to-face contact to a telehealth delivery of care through audio and video conferencing. The purpose of this article is to present a case study on the modifications made by a human services collaborative network in Central Virginia which may provide generalized lessons that other agencies and collaborative networks consider when adapting to address an unforeseen pandemic. Prior to discussing modifications and offering generalized lessons learned, a description of the collaborative network including the guiding theory and how the theoretical framework shaped the modifications will be presented. Keywords: community, collaboration, pandemic, COVID-19, behavioral health, telework, 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 | 0,013 |
| 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 | 0,016 | 0,006 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,003 | 0,010 |
| Intégrité de la recherche | 0,003 | 0,004 |
| 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 ».