Black boxes and information pathways: An actor-network theory approach to breast cancer survivorship care
Notice bibliographique
Résumé
Many women diagnosed with breast cancer today can expect to live long after completing their treatment. This growing population of survivors encounters distinct post-treatment health and information needs. Existing survivorship care models take information as a given, black boxing it. I use Actor-Network Theory to examine how information actually works for women after they complete breast cancer treatment, and how it shapes their understanding of survivorship. I draw on in-depth interviews with breast cancer survivors (n = 82) and a wide range of providers (n = 84) in a medically underserved region of Southern California. Black boxes and information pathways convey experiential dimensions of cancer care; they are also metaphoric constructs. The black box metaphor refers to the cancer experience as a container; the pathways metaphor refers to a journey. Each of these metaphors expresses salient dimensions of the cancer experience and has implications for post-treatment survivorship. When healthcare information flows smoothly and invisibly, its pathways become black boxed. Black boxes can be helpful when they function effectively. But since black boxes conceal their inner workings, it is challenging to intervene when difficulties arise. I provide three examples of difficulties that complicate women's transition to post-treatment survivorship: (1) when survivors fail to recognize treatment-related late effects, (2) do not understand they have a terminal diagnosis, or (3) worry that their treatment accomplished nothing. Contextualized within survivorship scholarship, this study recommends opening black boxes to examine how information pathways could connect women differently to improve survivorship care.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».