Systematic synthesis of intersectional best practices: knowledge translation for circumpolar indigenous disability
Notice bibliographique
Résumé
Numerous theories, models, and frameworks (TMFs) currently exist for knowledge translation (KT), with scholarship that is increasingly inclusive of populations experiencing health inequalities. This study proposes two objectives: 1) exploring a nine-step method for synthesising best practices, acknowledging existing syntheses in the form of tailored-databases and review-style publications; and 2) collating best practices to inform KT that is inclusive to indigenous individuals living with disabilities in circumpolar regions. The resulting synthesis emphasises 10 best practices: explicitly connect the accountability of stakeholders to the wellbeing of the people they serve; recognise entanglement with existing neoliberal systems; assess impacts of KT on indigenous treatment providers; employ personal outreach visits; rectify longstanding delegitimization; avoid assuming the target group to be homogeneous, critically examine inequitable distribution of benefits and risks; consider how emphasis on a KT initiative can distract from historical and systemic inequalities; target inequitable, systemic social and economic forces; consider how KT can also be mobilised to gain power and control; assess what is selected for KT, and how it intersects with power position of external stakeholders and internal champions; and, allow people access-to-knowledge which changes inequitable systems.
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 | 0,354 | 0,546 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,037 | 0,035 |
| Études des sciences et des technologies | 0,007 | 0,009 |
| Communication savante | 0,017 | 0,014 |
| Science ouverte | 0,006 | 0,022 |
| Intégrité de la recherche | 0,004 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 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 ».