The voices of lived experience: reflections from citizen team members in a long-term care research program
Notice bibliographique
Résumé
BACKGROUND: The Translating Research in Elder Care (TREC) program is a partnered health services research team that aims to improve the quality of care and quality of life for residents and quality of worklife for staff in nursing homes. The TREC team undertook several activities to enhance the collaboration between the academic researchers and us, the citizen members. Known as VOICES (Voice Of (potential) Incoming residents, Caregivers Educating uS) we aim to share our experience working with a large research team. METHODS: We reflect on the findings reported in the paper by Chamberlain et al. (2021). They described the findings from two surveys (May 2018, July 2019) that were completed by TREC team members (researchers, trainees, staff, decision-makers, citizens). The survey questions asked about the respondents' experience with citizen engagement, their perceptions of the benefits and challenges of citizen engagement, and their unmet needs for training. RESULTS: The paper reported on the survey findings from all the survey respondents (research team, decision-makers, citizens), but much of the results focused on the researcher perspective. They reported that respondents believed that citizen engagement was a benefit to their research but noted many challenges. While we appreciate the researchers' positive perceptions of citizen engagement, much work remains to fully integrate us into all stages of the research. We offer our reflections and suggestions for how to work with citizen members and identify areas for more training and support. CONCLUSIONS: Despite the increased interest in citizen engagement, we feel there is a lack of understanding and support to truly integrate non-academic team members on research teams. We hope the discussion in this commentary identifies specific areas that need to be addressed to support the continued engagement of citizens and show how the lived experience can bring value to research teams.
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 | 0,061 | 0,087 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,046 | 0,040 |
| Communication savante | 0,023 | 0,018 |
| Science ouverte | 0,007 | 0,034 |
| Intégrité de la recherche | 0,010 | 0,025 |
| 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 ».