Involving im/migrant community members for knowledge co-creation: the greater the desired involvement, the greater the need for capacity building
Notice bibliographique
Résumé
Researchers need to observe complex problems from various angles and contexts to create workable, effective and sustainable solutions. For complex societal problems, including health and socioeconomic disparities, cross-sectoral collaborative research is crucial. It allows for meaningful interaction between various actors around a particular real-world problem through a process of mutual learning. This collaboration builds a sustainable, trust-based partnership among the stakeholders and allows for a thorough understanding of the problem through a solution-oriented lens. While the created knowledge benefits the community, the community is generally less involved in the research process. Often, community members are engaged to collect data or for consultancy and knowledge dissemination; however, they are not involved in the actual research process, for example, developing a research question and using research tools such as conducting focus groups, analysis and interpretation. To be involved on these levels, there is a need for building community capacity for research. However, due to a lack of funds, resources and interest in building capacity on the part of both researchers and the community, deeper and meaningful involvement of community members in research becomes less viable. In this article, we reflect on how we have designed our programme of research-from involving community members at different levels of the research process to building capacity with them. We describe the activities community members participated in based on their needs and capacity. Capacity-building strategies for each level of involvement with the community members are also outlined.
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 | 0,011 | 0,000 |
| 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 | 0,017 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».