Rural physicians and social capital: the potential and promises of a rural health research capacity building program
Notice bibliographique
Résumé
BACKGROUND: Accessible and contextually relevant healthcare research programs and networks for rural physicians are exceedingly rare, which hinders the development of social capital in an already isolating profession. This study aims to examine the impact of the Rural Health Research Capacity Building (RRCB) Program on enhancing cognitive, structural, and relational social capital through comprehensive research skills training, supported by professional teams and resources. METHODS: This study uses a mixed-methods approach with utilization of qualitative and quantitative data and pre-post quasi-experimental design. Data were collected prior and after completion of the program by means of surveys, focus group, and observation. Thirty-five rural physicians participated in this study from 2014 to 2021. RESULTS: The results show a significant increase in cognitive (pre-program = 0.37 vs. post-program = 0.61, p < .001), structural (pre-program = 0.58 vs. post-program = 0.81, p < .001), and relational (pre-program = 0.49 vs. post-program 0.69, p < .001) components of social capital. Focus group discussions and observation data supported these findings, particularly highlighting that research capacity-building programs tailored to the needs of rural physicians can enhance collective values, improve the quality of relationships, and foster communities of research-focused practice. CONCLUSIONS: Being equipped with a shared system of meanings and interpretations, research knowledge and resources, and a professional research network appears to play a critical role in enhancing social capital in rural health research. The RRCB program effectively improves social capital among rural and remote physicians.
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 | 0,003 | 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 ».