Community Ecosystem Mapping: A Foundational Step for Effective Community Engagement in Research and Knowledge Mobilization
Notice bibliographique
Résumé
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 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 | 0,119 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,012 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,009 |
| 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; un appel candidat d’une seule tête enseignante, 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 ».