Ukrainian Language Education Network: A Case of Engaged Scholarship
Notice bibliographique
Résumé
Academics widely understand participatory action research (PAR) to be relevant to communities, collaborative from project design to dissemination of results, equitable and participatory while also action-oriented in pursuit of social justice. In this article, we suggest that there is much need to address both the challenges and opportunities that researchers encounter when applying participatory tools within an Indigenous context. In September 2013, the University of Victoria research team began a transportation safety project in partnership with the University of Windsor and participating Indigenous communities across the country. This project entailed both quantitative and qualitative research methodologies, including a national survey in addition to community conversations, to promote community health and injury prevention. Responsible for outreach to coastal communities in British Columbia, the interdisciplinary research team employed PAR methodologies to address local and national transportation safety concerns ranging from booster seat use to pedestrian safety. In this paper, we ask: what can participatory approaches offer the study of community-engaged research (CER) with Indigenous communities? First, we assess the promises and perils of PAR for community-engaged research when working with Indigenous communities; second, we aim to demystify the process of PAR based on our experience working with the Tsawout First Nation to “Light up the Night” through participatory video with Indigenous youth; third, we reflect on what we learned in this process and discuss avenues for further research. Our submission entails a written article and accompanying videos that illuminate the creative approach to collaborative engagement with Indigenous communities.
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 | 0,900 | 0,815 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,474 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,788 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».