Building capacity in quantitative research and data storytelling to enhance knowledge translation: a training curriculum for peer researchers
Notice bibliographique
Résumé
Abstract Background Many community-based HIV research studies incorporate principles of greater involvement and meaningful engagement of people living with HIV (GIPA/MEPA) by training people with HIV as peer researchers. Unfortunately, there are still some aspects of research (e.g., quantitative data analysis and interpretation) where many projects fall short in realizing GIPA/MEPA principles. To address these gaps, we developed an eight-week training course that aimed to build capacity around the understanding and interpretation of quantitative data and incorporating lived experience to increase the impact of the knowledge transfer and exchange phase of a study. Methods Peer researchers (n = 8) participated from British Columbia, Alberta, and Ontario and lessons learned from the training were implemented throughout the dissemination of research findings from the People Living with HIV Stigma Index study. This paper presents the curriculum and main training components, course evaluation results, and challenges and lessons learned. The manuscript was created in collaboration with and includes the perspectives of both the peer researchers involved in the training, as well the course facilitators. Results Throughout the course, peer researchers’ self-assessed knowledge and understanding of quantitative research and data storytelling improved and, through interactive activities and practice, they gained the confidence to deliver a full research presentation. This improved their understanding of research findings, which was beneficial for discussing results with community partners and study participants. The peer researchers also agreed that learning about integrating lived experience with quantitative data has helped them to make research findings more relatable and convey key messages in a more meaningful way. Conclusions Our training curriculum provides a template for research teams to build capacity in areas of research where peer researchers and community members are less often engaged. In doing so, we continue to uphold the principles of GIPA/MEPA and enhance the translation of research knowledge in communities most greatly affected.
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 | 0,100 | 0,144 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,004 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,007 | 0,024 |
| Intégrité de la recherche | 0,004 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,004 |
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 ».