Meeting in the middle: experiences of citizenship in community-engaged psychosis research
Notice bibliographique
Résumé
Purpose Previous research has highlighted the importance of engaging people with lived experience (PWLE) in the knowledge creation process. However, diverse approaches to engagement exist. In addition, tensions remain in community-engaged research (CER), including how to address structural inequalities in research settings. This study aims to consider how CER interacts with citizenship within and beyond the research context. Design/methodology/approach This study discusses the authors’ experiences as a majority-PWLE of psychosis research team in Canada, including successes and challenges the authors experienced building their team and navigating research institutions. This study also reflects on the authors’ pathways through citizenship, prior to and during the research process. This study discusses divergent models of CER and their applicability to the cyclical process of citizenship and community participation. Findings Relationships between academic and peer researchers developed organically over time. However, this study was limited by structural barriers such as pay inequality and access to funding. The authors recognize that there are barriers to full citizenship and acknowledge their resources and privilege of being well supported within their communities. Team members built on a foundation of citizenship to access participation in research. This led to opportunities to engage in community spaces, and for PWLE to participate in research as partners and leaders. This study also found that citizenship is a way of giving back, by building a sense of social responsibility. Originality/value Academic and peer researchers can reflect on the authors’ experiences to build more inclusive research teams and communities by using a citizenship approach to research participation.
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 | 0,144 | 0,001 |
| 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 | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,007 |
| 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 ».