A SCOPING REVIEW ON BARRIERS AND FACILITATORS OF COMMUNITY ENGAGEMENT IN LEARNING HEALTH SYSTEMS
Notice bibliographique
Résumé
Abstract This scoping review identifies the challenges and enablers of community engagement in Learning Health Systems (LHS), an area where elder and health care have growing interests on. LHS aims to improve healthcare delivery, translate knowledge into clinical practice, and emphasize patient-centred outcomes. We followed the Joanna Briggs Institute’s (JBI) scoping review methodology. First, keywords and index terms were identified from MEDLINE and CINAHL databases. Second, using the keywords and index terms identified in the first step, other databases like Web of Science, PsycINFO, and Google were searched. Third, the reference lists of the chosen literature were searched. The results include 25 papers. The Assessing Community Engagement (ACE) Conceptual Model by Aguilar-Gaxiola et al. was utilized to inform the analysis. Active community engagement enhances the relevancy and applicability of health research and fosters trust and rapport between healthcare providers and their communities. It is essential to have appropriate support, mutual respect, culturally sensitive and locally relevant processes with common-ground language. We identified several barriers to engagement: 1) meaningful motivations, 2) logistical challenges in processes, 3) disparities in power dynamics, 4) cultural misunderstanding, and 5) lack of knowledge and skills. The review underscores the need to move beyond tokenistic engagement towards genuine community collaborations. Future research should investigate the facilitators that enhance such meaningful partnerships.
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 | 0,053 | 0,173 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,018 | 0,022 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,009 | 0,008 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».