Assessing Age-Friendly Community Initiatives: Developing a Novel Survey Tool for Assessment and Evaluation
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Age-friendly community initiatives (AFCIs) have gained recognition as essential responses to the needs of aging populations. Despite their growing significance, there is a notable lack of effective measurement tools to assess the planning, implementation, and sustainability of AFCIs. The purpose of this study was to develop and validate a survey tool for evaluating AFCIs. RESEARCH DESIGN AND METHODS: A sequential exploratory mixed-method design was used in 2 phases. First, we identified key themes from interviews with AFCI leads to generate AFCI survey items and regional workshops. Then, we conducted a pilot of the survey and assessed its measurement properties. RESULTS: Thematic analysis of interviews with 68 key informants from 58 AFCIs revealed 4 main themes: AFCI priorities, enablers, challenges, and benefits. These themes, combined with feedback from AFCI stakeholders at the regional workshops and an AFCI conference, informed the development and refinement of a reliable and valid AFCI survey in 2019, supported by a high Cronbach's alpha value (α = 0.881). Steps were identified to maintain and sustain the AFCI survey over time. DISCUSSION AND IMPLICATIONS: The survey accommodates AFCIs' diverse demographics, governance structures, and priorities with a standardized and flexible approach for effective measurement. This research contributes to the academic understanding of AFCIs and aids community leaders and policy-makers in planning, implementing, and evaluating AFCIs.
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 | 0,012 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».