Reach, adoption, and implementation strategies of a telehealth falls prevention program: perspectives from francophone communities across Canada
Notice bibliographique
Résumé
Abstract Introduction A fall may impact a person’s physical, emotional, and psychological well-being. Fall prevention programs are being implemented to reduce these negative outcomes. However, linguistic barriers in health services may reduce access to such prevention programs. A telehealth fall prevention program was designed to increase access to such programs in French for Francophone minority communities in Canada. This capacity building project aimed to support community partners to deliver this telehealth program and document strategies used to reach, adopt, and implement the program within various Francophone and Acadian Minority Communities. Methods A sequential explanatory mixed methodology was used to document reach, adoption and implementation strategies and describe lived experiences of program facilitators and organization representatives. Reach, adoption, and implementation were documented and analyzed descriptively while lived experiences were analyzed using content analysis following the Consortium Framework Implementation Research. Results Twelve organization representatives or program facilitators from eight organizations operating in four different provinces participated in the study. Three themes emerged from the qualitative data on reach and adoption: external context, internal context, and capacity building. Four themes were identified as barriers and facilitators to implementation: level of preparation and time management, interpersonal relations and telepresence, exercise facilitation and safety, and technological problem-solving. Conclusion Using tailored reach and adoption strategies such as prioritizing provinces with higher proportions of needs and training local community program facilitators may lead to successful implementation of a new telehealth fall prevention program. Results from this study could potentially inform other primary prevention programs or telehealth program implementation.
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 | 0,003 | 0,004 |
| 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 | 0,017 | 0,003 |
| Communication savante | 0,004 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».