MétaCan
Menu
Retour à la cohorte
Enregistrement W4387692708 · doi:10.1177/21501319231205170

Community Ecosystem Mapping: A Foundational Step for Effective Community Engagement in Research and Knowledge Mobilization

2023· article· en· W4387692708 sur OpenAlexaffabout
Tanvir Chowdhury Turin, Mashrur Kazi, Nahid Rumana, Mohammad Lasker, Nashit Chowdhury

Notice bibliographique

RevueJournal of Primary Care & Community Health · 2023
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensUniversity of Calgary
Organismes subventionnairesnon disponible
Mots-clésPublic relationsCommunity engagementAgency (philosophy)General partnershipCommunity organizationPromotion (chess)Sustainable communityCommunity buildingPolitical scienceSociologyKnowledge managementSustainable developmentPoliticsSocial science

Résumé

récupéré en direct d'OpenAlex

Community engagement is a key strategy for achieving various goals, such as social and environmental change, sustainable development, health promotion, and community building. It involves collaborations and partnerships with the community that help mobilize resources, impact systems, rectify partner dynamics, and function as catalysts for modifying policies, programs, and practices. It also ensures mutual trust among all parties involved, giving community members greater personal agency and involvement potential. We have learned a range of practical aspects of community engagement with communities, particularly with immigrant/racialized communities, by running a community-engaged program of research on the health and wellness issues of immigrant/racialized communities in Calgary, Canada. In this article, we focus on a crucial early step of community engagement-understanding the community ecosystem. The community ecosystem refers to its human, social, and cultural makeups. Understanding this ecosystem requires conscious efforts to comprehend the demography, participate in socio-cultural events, identify community spots, reach out to hard-to-access groups, find the community champions and communication channels/organizations, and reaching out to them to establish relationships. Understanding the community ecosystem allows us to identify the pivotal factors, key actors, and pulse of the community that we are engaging with. This enables us to build mutual trust and goals for research and knowledge mobilization. Subsequently, an empowered, continual, and collaborative partnership becomes possible, resulting in sustained and desirable outcomes.

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)0,134
score de la tête « metaresearch » (Gemma)0,118
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesMétarecherche
Catégories consensuellesaucune
DomaineSignal candidat: Méthodes · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,866
Score d'incertitude au seuil0,708

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1340,118
Méta-épidémiologie (sens strict)0,0010,002
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0080,006
Études des sciences et des technologies0,0240,019
Communication savante0,0280,027
Science ouverte0,0060,040
Intégrité de la recherche0,0080,014
Charge utile insuffisante (le modèle a refusé de juger)0,0140,005

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 Opus0,832
Tête enseignante GPT0,693
Écart entre enseignants0,139 · 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.

Devis d'étudeQualitatif
DomaineMéthodes
GenreEmpirique

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

En bref

Citations4
Publié2023
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Primary Care & Community HealthMême sujetHealth Policy Implementation ScienceTravaux en français237 207