MétaCan
Menu
Retour à la cohorte
Enregistrement W4308499612 · doi:10.1016/j.ijdrr.2022.103420

Insights on the COVID-19 pandemic: Youth engagement through Photovoice

2022· article· en· W4308499612 sur OpenAlexafffund
Christina J. Pickering, Zobaida Al‐Baldawi, Lauren McVean, Munira Adan, Raissa A. Amany, Zaynab Al-Baldawi, Lucy Baker, Tracey O’Sullivan

Notice bibliographique

RevueInternational Journal of Disaster Risk Reduction · 2022
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueParticipatory Visual Research Methods
Établissements canadiensConcordia UniversitySeneca PolytechnicWilfrid Laurier UniversityUniversity of Ottawa
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésPhotovoiceThematic analysisPandemicCommunity resiliencePublic relationsFocus groupParticipatory action researchReflexivitySociologyCommunity engagementPsychological resilienceCoronavirus disease 2019 (COVID-19)Political scienceQualitative researchPsychologyEconomic growthMedicineEngineeringSocial psychologySocial science

Résumé

récupéré en direct d'OpenAlex

Youth engagement in disaster risk reduction is a growing area of research, practice and policy. The COVID-19 pandemic highlighted the need for improved opportunities for youth to participate and have their voices heard. Our Photovoice study explores experiences, perceptions, and insights of youth regarding the COVID-19 pandemic, while providing an opportunity for youth to participate in disaster risk reduction and contribute to resilient communities. We conducted nine focus groups from February 2019 to August 2020 with four teenaged youth; we analyzed the data using reflexive thematic analysis and hosted two virtual Photovoice exhibitions. Our results explore youth experiences of public health measures, impacts of the pandemic, pandemic magnification of social inequities, and the power of youth to create change. We provide six calls to action, focusing on a holistic, upstream, all-of-society approach for stakeholders to collaborate with youth in creating change on complex social justice issues to support COVID-19 recovery.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,003
Communication savante0,0040,003
Science ouverte0,0010,006
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,000

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.

Tête enseignante Opus0,683
Tête enseignante GPT0,607
Écart entre enseignants0,075 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations3
Publié2022
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Disaster Risk ReductionMême sujetParticipatory Visual Research MethodsTravaux en français237 207