Virtually Prioritizing a Community's Needs: What Would Make it Easier for People who are Experiencing Homelessness to Manage Their Diabetes?
Notice bibliographique
Résumé
Introduction: During the pandemic, a group of people with lived experience (co-researchers) was convened for a community-based participatory research (CBPR) project in Calgary, AB that aimed to explore and address barriers to managing diabetes while experiencing homelessness. The group met bi-weekly using a videoconferencing platform on internet-enabled tablets. Objectives: Our aim is to explain the process we undertook to virtually engage in priority setting to identify a research priority for the CBPR project. Methods: Co-researchers participated in 17 focus group discussions about barriers to managing diabetes while experiencing homelessness, following which they were asked to brainstorm responses to the question, “What would make it easier for people who are experiencing homelessness to manage their diabetes?” In subsequent meetings, the responses were grouped to form categories. From those, the group chose the priority using a modified nominal group process, which involved sequentially ranking, then rating the categories. Ranking involved picking 1st, 2nd, 3rd and 4th choices, and rating involved distributing 0 to 10 points amongst the categories. Results: Seven categories were formed: Healthcare; Screening for Diabetes; Housing and Shelter; Access to Medications and Supplies; Healthy Food; Diabetes Awareness; and Diabetes Education. Among these, Diabetes Awareness was given the most votes during the ranking and the most points during the rating exercises. Therefore, this is the topic our research will be focused on. Conclusion: We will conduct research for the purpose of increasing diabetes awareness, among shelter staff specifically, and use forum theatre and a short narrative film to share the findings.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».