Respectful community engagement in health research with diverse im/migrant communities
Notice bibliographique
Résumé
Introduction Global migration and immigration are increasing, and migrants and immigrants (im/migrants) have specific health needs and healthcare experiences. Yet, im/migrant involvement in immigration and health research in Canada is inconsistent. Heretofore, involvement has primarily been in research planning, data collection and analysis, with little community involvement during knowledge exchange or through training and colearning opportunities. Community engagement has been especially uncommon in mixed-method and quantitative research in Canada. Objective This article describes lessons learnt from the Evaluating Inequities in Refugee & Immigrants’ Health Access (IRIS) project from 2018 to 2023, an ongoing mixed-method, community-based research project in British Columbia, Canada. Specifically, we share our core community engagement project structures, Commitments to Community and our Community Engagement Backbone , both collaboratively developed with im/migrant community memebers. Participants People with varied experiences of im/migration and connections to multiple, specific im/migrant communities participate in the project as participants, community researchers, community advisory board members, faculty members and students. Core research activities are supported in English, Farsi, Spanish and Tigrinya. We engage community members throughout the research process, from identifying research topics to knowledge exchange. Conclusion We found that these structures offer an accessible visual representation of the project’s commitments to community engagement, and the ways these commitments are demonstrated through values and action. Our training opportunities, colearning activities and knowledge exchange efforts also confirmed the accuracy of interpretation, prompted additional analysis to clarify or add depth to findings, and helped us identify additional research topics. We hope these learnings can be used to expand engagement with diverse im/migrant communities in health and immigration research.
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 | 0,071 | 0,070 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,024 | 0,022 |
| Communication savante | 0,015 | 0,008 |
| Science ouverte | 0,004 | 0,041 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,002 |
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 ».