“We don’t separate out these things. Everything is related”: Partnerships with Indigenous Communities to Design, Implement, and Evaluate Multilevel Interventions to Reduce Health Disparities
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Multilevel interventions (MLIs) are appropriate to reduce health disparities among Indigenous peoples because of their ability to address these communities' diverse histories, dynamics, cultures, politics, and environments. Intervention science has highlighted the importance of context-sensitive MLIs in Indigenous communities that can prioritize Indigenous and local knowledge systems and emphasize the collective versus the individual. This paradigm shift away from individual-level focus interventions to community-level focus interventions underscores the need for community engagement and diverse partnerships in MLI design, implementation, and evaluation. In this paper, we discuss three case studies addressing how Indigenous partners collaborated with researchers in each stage of the design, implementation, and evaluation of MLIs to reduce health disparities impacting their communities. We highlight the following: (1) collaborations with multiple, diverse tribal partners to carry out MLIs which require iterative, consistent conversations over time; (2) inclusion of qualitative and Indigenous research methods in MLIs as a way to honor Indigenous and local knowledge systems as well as a way to understand a health disparity phenomenon in a community; and (3) relationship building, maintenance, and mutual respect among MLI partners to reconcile past research abuses, prevent extractive research practices, decolonize research processes, and generate co-created knowledge between Indigenous and academic communities.
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.
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 | 0,011 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle