The use of digital storytelling of patients’ stories as an approach to translating knowledge: a scoping review
Notice bibliographique
Résumé
BACKGROUND: A growing interest has centered on digital storytelling in health research, described as a multi-media presentation of a story using technology. The use of digital storytelling in knowledge translation (KT) is emerging as technology advances in healthcare to address the challenging tasks of disseminating and transferring knowledge to key stakeholders. We conducted a scoping review of the literature available on the use of patient digital storytelling as a tool in KT interventions. METHODS: We followed by Arksey and O'Malley (Int J Soc Res Methodol 8(1):19-32, 2005), and Levac et al. (Implement Sci 5(1):69, 2010) recommended steps for scoping reviews. Search strategies were conducted for electronic databases (Medline, CINAHL, Web of Science, ProQuest dissertations and theses global, Clinicaltrials.gov and Psychinfo). The Preferred Reporting Items for Systematic Reviews and Meta-Analyses extension for scoping reviews (PRISMA-ScR) was used to report the review process. RESULTS: Of 4656 citations retrieved, 114 full texts were reviewed, and twenty-one articles included in the review. Included studies were from nine countries and focused on an array of physical and mental health conditions. A broad range of interpretations of digital storytelling and a variety of KT interventions were identified. Digital storytelling was predominately defined as a story in multi-media form, presented as a video, for selective or public viewing and used as educational material for healthcare professionals, patients and families. CONCLUSION: Using digital storytelling as a tool in KT interventions can contribute to shared decision-making in healthcare and increase awareness in patients' health related experiences. Concerns centered on the accuracy and reliability of some of the information available online and the impact of digital storytelling on knowledge action and implementation.
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 | 0,075 | 0,229 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,006 | 0,008 |
| Bibliométrie | 0,053 | 0,033 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,008 | 0,011 |
| Science ouverte | 0,004 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,003 |
| 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 ».