Diving below the surface: A framework for arctic health research to support thriving communities
Notice bibliographique
Résumé
Aims: Historically, health research in the Arctic has focused on documenting ill-health using a narrow set of deficit-oriented epidemiologic indicators (i.e., prevalence of disease and mortality rates). While useful, this type of research does not adequately capture the breadth and complexities of community health and well-being, and fails to highlight solutions. A community’s context, strengths, and continued expressions of well-being need to guide inquiries, inform processes, and contextualize recommendations. In this paper, we present a conceptual framework developed to address the aforementioned concerns and inform community-led health and social research in the Arctic. Methods: The proposed framework is informed by our collective collaborations with circumpolar communities, and syntheses of individual and group research undertaken throughout the Circumpolar North. Our framework encourages investigation into the contextual factors that promote circumpolar communities to thrive. Results: Our framework centers on the visual imagery of an iceberg. There is a need to dive deeper than superficial indicators of health to examine individual, family, social, cultural, historical, linguistic, and environmental contexts that support communities in the Circumpolar North to thrive. A participatory community-based approach in conjunction with ongoing epidemiologic research is necessary in order to effectively support health and wellness. Conclusions: The iceberg framework is a way to conceptualize circumpolar health research and encourage investigators to both monitor epidemiologic indicators and also dive below the surface using participatory methodology to investigate contextual factors that support thriving communities.
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 | 0,046 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,019 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».