Building consensus on priority areas for Sub-Saharan Africa’s ageing population research: An e-Delphi study protocol
Notice bibliographique
Résumé
BACKGROUND: Improvement in medico-social services has increased life expectancy and population ageing in Sub-Saharan Africa (SSA). It was estimated that about 163 million people aged 65 and older will be resident in SSA by 2050. There is inadequate ageing research capacity in SSA which necessitates this study to (a) identify a decade-long ageing research opportunities, challenges, and solutions, and (b) prioritize critical ageing research areas and methodologies relevant to the SSA. METHODS: We designed an e-Delphi protocol following the Reporting Guideline for Priority Setting of Health Research with Stakeholder. The stakeholders will be researchers, practitioners, older adults, and caregivers purposively selected through snowballing quota sampling to complete three rounds of e-Delphi surveys. Round 1 will involve open-ended questions derived from the study objectives. Responses from round 1 will be prepared as a checklist for stakeholders to rate during rounds 2 & 3, using a 9-point scale: low priority (1-3), moderate priority (4-6), and high priority (7-9). The criterion for reaching a consensus will be ≥ 70% of stakeholders rating an item "high priority" and ≤ 15% as "low priority." Quantitative data will be analysed using descriptive statistics, Wilcoxon matched-pairs signed-rank test will be used to assess the stability of stakeholders' responses, and qualitative comments will be analysed using content analysis. DISCUSSION AND IMPLICATIONS: Setting aging research/practice priorities will help maximize the benefits of research investment and provide valuable direction for allocating public and private research funds to areas of strategic importance.
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 | 0,010 | 0,004 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».