MétaCan
Menu
Retour à la cohorte
Enregistrement W4378212899 · doi:10.4324/9781003323686-12

Tackling ageism in socio-technical interventions

2023· book-chapter· en· W4378212899 sur OpenAlexaboutno aff
Sarah Wagner, Akiko Ogawa

Notice bibliographique

Revuenon disponible
Typebook-chapter
Langueen
DomainePsychology
ThématiqueAging and Gerontology Research
Établissements canadiensnon disponible
Organismes subventionnairesJapan Society for the Promotion of Science
Mots-clésPsychological interventionSociologyPolitical sciencePsychologyPsychiatry

Résumé

récupéré en direct d'OpenAlex

This chapter brings attention to the mechanisms of ageism in the design and implementation of socio-technical interventions targeted at older adults. Drawing on findings from Digital Storytelling workshops with six 80+-year-olds at care homes in Japan and Canada, the chapter identifies contexts and conditions that undermine the agentic involvement of older participants in intervention studies. While the Digital Storytelling workshops generated positive outcomes and created opportunities for participants to redefine themselves and influence others, there were power imbalances in the story production phase. Engaging with an actor-network approach, the interplays of technologies, built environments and institutionalised concepts of old age are examined. Findings show that the empowering potentials of Digital Storytelling were contingent on participants negotiating and confronting forms of age discrimination that reverberate through technologies, care services, facilitators&s; expectations, and participants&s; own self-perceptions. Where many socio-technical interventions have failed to meaningfully involve older adults and have upheld stereotyped views of older adults&s; technological needs, this chapter forges connections between key factors that influence older adults&s; positioning within socio-technical interventions.

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)0,003
score de la tête « metaresearch » (Gemma)0,003
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: Autre
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,019

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,003
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0010,005
Communication savante0,0030,003
Science ouverte0,0010,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0060,001

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 Opus0,161
Tête enseignante GPT0,444
Écart entre enseignants0,283 · 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'étudeThéorique ou conceptuel
Domainenon disponible
GenreAutre

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

En bref

Citations2
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetAging and Gerontology ResearchTravaux en français237 207