MétaCan
Menu
Retour à la cohorte
Enregistrement W4213026164 · doi:10.1186/s13012-022-01190-y

Barriers, frameworks, and mitigating strategies influencing the dissemination and implementation of health promotion interventions in indigenous communities: a scoping review

2022· review· en· W4213026164 sur OpenAlexaboutno aff
Lea Sacca, Ross Shegog, Belinda Hernandez, Melissa F. Peskin, Stephanie Craig Rushing, Cornelia Jessen, Travis Lane, Christine Markham

Notice bibliographique

RevueImplementation Science · 2022
Typereview
Langueen
DomaineSocial Sciences
ThématiqueIndigenous Health, Education, and Rights
Établissements canadiensnon disponible
Organismes subventionnairesNational Institute on Minority Health and Health Disparities
Mots-clésPsychological interventionIndigenousMedicineScopusHealth promotionHealth equityHealth services researchGrey literatureCommunity-based participatory researchPublic healthGerontologyMEDLINENursingParticipatory action researchPolitical scienceSociology

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Many Indigenous communities across the USA and Canada experience a disproportionate burden of health disparities. Effective programs and interventions are essential to build protective skills for different age groups to improve health outcomes. Understanding the relevant barriers and facilitators to the successful dissemination, implementation, and retention of evidence-based interventions and/or evidence-informed programs in Indigenous communities can help guide their dissemination. PURPOSE: To identify common barriers to dissemination and implementation (D&I) and effective mitigating frameworks and strategies used to successfully disseminate and implement evidence-based interventions and/or evidence-informed programs in American Indian/Alaska Native (AI/AN), Native Hawaiian/Pacific Islander (NH/PI), and Canadian Indigenous communities. METHODS: A scoping review, informed by the York methodology, comprised five steps: (1) identification of the research questions; (2) searching for relevant studies; (3) selection of studies relevant to the research questions; (4) data charting; and (5) collation, summarization, and reporting of results. The established D&I SISTER strategy taxonomy provided criteria for categorizing reported strategies. RESULTS: Candidate studies that met inclusion/exclusion criteria were extracted from PubMed (n = 19), Embase (n = 18), and Scopus (n = 1). Seventeen studies were excluded following full review resulting in 21 included studies. The most frequently cited category of barriers was "Social Determinants of Health in Communities." Forty-three percent of barriers were categorized in this community/society-policy level of the SEM and most studies (n = 12, 57%) cited this category. Sixteen studies (76%) used a D&I framework or model (mainly CBPR) to disseminate and implement health promotion evidence-based programs in Indigenous communities. Most highly ranked strategies (80%) corresponded with those previously identified as "important" and "feasible" for D&I The most commonly reported SISTER strategy was "Build partnerships (i.e., coalitions) to support implementation" (86%). CONCLUSION: D&I frameworks and strategies are increasingly cited as informing the adoption, implementation, and sustainability of evidence-based programs within Indigenous communities. This study contributes towards identifying barriers and effective D&I frameworks and strategies critical to improving reach and sustainability of evidence-based programs in Indigenous communities. REGISTRATION NUMBER: N/A (scoping review).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,081
score de la tête « metaresearch » (Gemma)0,231
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,081
Score d'incertitude au seuil0,426

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0810,231
Méta-épidémiologie (sens strict)0,0020,002
Méta-épidémiologie (sens large)0,0050,007
Bibliométrie0,0280,026
Études des sciences et des technologies0,0040,003
Communication savante0,0120,010
Science ouverte0,0040,006
Intégrité de la recherche0,0040,004
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,124
Tête enseignante GPT0,554
Écart entre enseignants0,430 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations35
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueImplementation ScienceMême sujetIndigenous Health, Education, and RightsTravaux en français237 207