Co-Designing Evidence-Based Videos in Health Care: A Case Exemplar of Developing Creative Knowledge Translation “Evidence-Experience” Resources
Notice bibliographique
Résumé
Objective: Well-designed evidence-based resources that reflect participant experiences and priorities are imperative for informed consumer health decision-making and to combat the pervasive health misinformation existing today. Qualitative research data can inform the development of such resources, but the process of reconciling qualitative research data with other sources of evidence through co-design processes is not well described in the literature. In response to the need for such evidence-based materials and corresponding methodological guidance, we co-designed a series of video resources through transdisciplinary and community partnership. In this manuscript, we provide methodological insight into the process of collaborative co-design to improve the utilization of qualitative research evidence into evidence-based resources for the public. Methods: Following from a large qualitative research study, we engaged in a collaborative and creative co-design process involving a multi-stakeholder advisory group guided by Boyd’s co-design framework. We explicate this process, drawing from a case exemplar of transdisciplinary frailty research. Results: We utilized thematic qualitative data to co-produce: (i) an animation, (ii) a documentary-style video, (iii) a video vignette with key messages embedded in narratives of older adults, and (iv) a key-message video delivered by academic health researchers and clinicians. Discussion: The integration of experiential evidence of health care consumers with other sources of research evidence through co-design is an epistemological and procedural challenge with potential to improve public awareness, knowledge, and to support evidence-based decision making.
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 | 0,018 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».