Co-constructing experiential knowledge in health: The contribution of people living with Parkinson to the co-design approach
Notice bibliographique
Résumé
Background: The use of collaborative approaches in the design of digital health technologies could help researchers to better understand the patient perspective. Starting from a 2019 Canadian case study focused on co-design and Parkinson’s disease, this paper discusses the potential of using narrative interviews to capture the patient experience. Aim: The objectives of this study are to examine the process of co-construction of ‘experiential knowledge’ through the interaction during a narrative interview and stress the significance of this method in relation to a co-design approach. Methods: A qualitative analysis of transcripts from 19 narrative interviews conducted in 2019 with people living with PD and their caregivers was performed. Results: Materialized in embedded, embodied, and emergent knowledge, findings reveal the potential of narrative interviews to provide insight to how experiential knowledge of people living with PD is constituted. Discussion: In addition to generate a learning environment, the analysis indicates that narrative interviews help to make visible experiential knowledge through the interaction processes between patients, caregivers, and researchers. Conclusion: This suggests that narrative interviews permit a more patient-centered design of digital health technologies, as they collect the psychological, social, and medical factors that influence the experience of these individuals.
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 | 0,049 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,002 |
| Études des sciences et des technologies | 0,012 | 0,040 |
| Communication savante | 0,013 | 0,010 |
| Science ouverte | 0,003 | 0,017 |
| Intégrité de la recherche | 0,003 | 0,004 |
| 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 ».