Last mile research: a conceptual map
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: The term ‘last mile’ has been used across disciplines to refer to populations who are farthest away, most difficult to reach, or last to benefit from a program or service. However, last mile research lacks a shared understanding around its conceptualization.Objectives: This project used a concept mapping process to answer the questions: what is last mile research in global health and, how can it be used to make positive change for health equity in the last mile?Methods: Between July and December 2019, a five-stage concept mapping exercise was undertaken using online concept mapping software and an in-person consensus meeting. The stages were: establishment of an expert group and focus prompt; idea generation; sorting and rating; initial analysis and final consensus meeting.Results: A group of 15 health researchers with experience working with populations in last mile contexts and who were based at the Matariki Network institutions of Queen’s University, CAN and Dartmouth College, USA took part. The resulting concept map had 64 unique idea statements and the process resulted in a map with five clusters. These included: (1) Last mile populations; (2) Research methods and approaches; (3) Structural and systemic factors; (4) Health system factors, and (5) Broader environmental factors. Central to the map were the ideas of equity, human rights, health systems, and contextual sensitivity.Conclusion: This is the first time ‘last mile research’ has been the focus of a formal concept mapping exercise. The resulting map showed consensus about who last mile populations are, how research should be undertaken in the last mile and why last mile health disparities exist. The map can be used to inform research training programs, however, repeating this process with researchers and members from different last mile populations would also add further insight.
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.
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 | 0,005 | 0,002 |
| 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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,006 |
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 découle