Realizing the Promise of Disaggregated Data and Analytics for Social Justice Through Community Engagement and Intersectoral Research Partnerships
Notice bibliographique
Résumé
In Canada, community and policy leaders have issued urgent calls to collect, analyze, and mobilize disaggregated data to inform equity-oriented initiatives aimed at addressing systemic racism and gender inequity, as well as other social inequities. This essay presents critical reflections from a national Roundtable discussion regarding how meaningful community engagement within academia–community–government research collaborations offers the opportunity to harness disaggregated data and advanced analytics to centre and address the priorities of equity-deserving and sovereignty-seeking groups. Participants emphasized four key priorities: (1) Building equitable and engaged partnerships that centre community-driven priorities and address structural barriers to community engagement; (2) Co-creating ethical data governance policies and infrastructure to support community data ownership and access; (3) Stimulating innovation and pursuing community involvement to create contextualized, advanced analyses and effective visualizations of disaggregated data; and (4) Building the capacity of all partners to effectively contribute to partnership goals. Capacity building was viewed as a bridge across a diversity of lived and professional expertise, enabling intersectoral research teams to collaborate in culturally safe and respectful ways. Beyond identifying key structural barriers impeding the promise of disaggregated data, we present practical opportunities for innovation in community-engaged scholarship to address social justice challenges in Canada.
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 | 0,937 | 0,827 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,633 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,000 | 0,581 |
| 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 ».