Co-Creating an Inclusion, Diversity, Equity, and Accessibility Strategy: Defining approach and outcomes in a health data research network
Notice bibliographique
Résumé
BackgroundHealth Data Research Network Canada (HDRN) has committed to strengthening data use to improve health equity. Key this priority is has been an increased operationalization of Inclusion, Diversity, Equity, and Accessibility (IDEA) across the organization and within the data research processes HDRN Canada supports. Missing, however, was a unifying strategy for embedding IDEA within all HDRN Canada initiatives. ApproachGuided by results from an internal environmental scan and network feedback, HDRN Canada began developing an IDEA strategy in 2023. With the end goal of embedding IDEA across all internal teams and across all HDRN Canada strategic goals, collaborative participation methods were chosen to involve all levels of the organization. A process was designed that included focus groups, interviews, and roundtables. ResultsCo-creating the IDEA strategy required broad buy-in including detailing expectations of the planning process in advance. A flexible management approach that enabled the team to adhere to the defined process allowed the Project Team to manage unanticipated challenges. 4 key strategies emerged focusing on learning, data quality and research, leadership, and community engagement. Developing the strategy with co-creative methods helped to identify practical approaches for HDRN to prioritize IDEA within its complex data research initiatives. ConclusionHDRN Canada has outlined its commitment to IDEA in the health data ecosystem. The co-created strategy supports efforts towards accomplishing its organizational objectives and priorities. It is also a valuable resource for those in the health data space working to ensure data research contributes to equitable health outcomes.
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 | 0,020 | 0,001 |
| 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 | 0,002 | 0,000 |
| Communication savante | 0,002 | 0,008 |
| Science ouverte | 0,003 | 0,028 |
| 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 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 ».