Employing diffusion of innovation theory for ‘not missing the mass’ in community-engaged research
Notice bibliographique
Résumé
INTRODUCTION: Engaging with minority communities, such as immigrants and ethnic minorities, often involves adopting top-down approaches, wherein researchers and policymakers provide solutions based on their perspective. However, these approaches may not adequately address the needs and preferences of the community members, who have valuable insights and experiences to share. Therefore, community-engaged approaches, which involve collaborative partnerships between community members and researchers to identify issues, co-create solutions, and recommend policy changes, are becoming more recognized for their effectiveness and relevance. Yet, prevailing community engagement efforts often focus on easily reachable and already engaged segments of the community, sometimes overlooking the broader population. METHODS: When working with immigrant and racialized communities, we encountered difficulties in engaging the wider community through traditional researcher-led approaches. We realized that overcoming these challenges required innovative strategies rooted in community-based participatory research principles and the diffusion of innovation theory. We recognized that a nuanced understanding of the community's dynamics and preferences was crucial in shaping our approach and building trust and rapport with the community members. RESULTS: The need to bridge the gap between researcher-led initiatives and community-driven involvement has never been more pronounced. Our experience, chronicled in this article, highlights the journey of our research program with an immigrant/racialized community. This reflection enhances our comprehension of community engagement that deliberately strives to reach a larger cross-section of the community. By providing practical methods for reaching the broader community and navigating the intricacies of engagement, we aim to assist fellow researchers in conducting effective community-engaged research across various minority communities. CONCLUSION: In sharing our insights and successful strategies for community engagement, we hope to contribute to the field's knowledge. Our commitment to fostering meaningful collaboration underscores the importance of co-creating solutions that resonate with the diverse voices within these communities. Through these efforts, we envision a more inclusive and impactful approach to addressing the complex challenges faced by minority populations.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,174 | 0,188 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,009 | 0,068 |
| Communication savante | 0,020 | 0,028 |
| Science ouverte | 0,005 | 0,016 |
| Intégrité de la recherche | 0,009 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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.
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 source (Gemma direct ou Codex distillé), 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 ».