Engaging patients and citizens in digital health technology development through the virtual space
Notice bibliographique
Résumé
Digital technologies are increasingly empowering individuals to take charge of their health and improve their well-being. However, there are disparities in access related to demographic, economic, and sociocultural factors that result in exclusion from the use of digital technologies for different groups of the population. The development of digital technology in health is a powerful lever for improving care and services, but also brings risks for certain users in vulnerable situations. Increased digital health inequalities are associated with limited digital literacy, lack of interest, and low levels of self-efficacy in using technology. In the context of the COVID-19 pandemic and post-pandemic healthcare systems, the leap to digital is essential. To foster responsible innovation and optimal use of digital health by all, including vulnerable groups, we propose that patient and citizen engagement must be an essential component of the research strategy. Patient partners will define expectations and establish research priorities using their experiential knowledge, while benefiting from rich exposure to the research process to increase their self-efficacy and digital literacy. We will support this proposition with an operationalised example aiming to implement a Virtual Community of Patients and Citizens Partners (COMVIP), a digital tool co-created with patients and public experts, as active team members in research. Founded on the principles of equity, diversity and inclusion, this base of citizen expertise will assemble individuals from different backgrounds and literacy levels living in vulnerable situations to acquire knowledge, and share their experiences, while contributing actively in the co-development of innovative strategies and health technology assessment.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».