Community Engagement in Kidney Research: Guatemalan Experience
Notice bibliographique
Résumé
Abstract Background: Community engagement is essential for effective research when addressing issues important to the community and researchers. Despite its effectiveness, there is limited published evidence concerning the evaluation of community engagement in research projects, especially in the area of nephrology. Methods: We developed a community engagement program in Guatemala to address the role of hydration in chronic kidney disease of unknown origin, using five key engagement principles: 1. Local relevance and determinants of health. 2. Acknowledgment of the community. 3. Dissemination of findings and knowledge gained to all partners. 4. Usage of community partners’ input. 5. Involvement of a cyclical and iterative process in the pursuit of goals. The effectiveness of community engagement was measured by a structured questionnaire on a 5-point likert scale. This measure determined how well and how often the research team adhered to the five engagement principles. Results: Sixty-two community leaders completed the questionnaire. Seventy-five percent were female, with a mean age of 37 years. All 5 engagement principles scored highly on the 5-point likert scale. Conclusion: Community leaders and researchers developed a relationship in which commitment and empowerment facilitated the participation in all aspects of the research process. This program is a useful tool for researchers, especially in low-middle income countries, to start research in a community.
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 | 0,009 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,017 | 0,009 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,014 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».