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 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 | 0,070 | 0,092 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».