Strategies to Implement a Community-Based, Longitudinal Cohort Study: The Whole Communities-Whole Health Case Study
Notice bibliographique
Résumé
This paper discusses the implementation of the Whole Communities-Whole Health (WCWH) initiative, which is a community-based, longitudinal cohort study. WCWH seeks to better understand the impact of location on family health and child development while also providing support for families participating in the study. Implementing a longitudinal study that is both comprehensive in the data it is collecting and inclusive in the population it is representing is what makes WCWH extremely challenging. This paper highlights the learning process the initiative has gone through to identify effective strategies for implementing this type of research study and work toward building a new model for community-engaged research. Through iterative testing following the Plan-Do-Study-Act model, three main strategies for implementation were identified. These strategies are (1) creating a data collection schedule that balances participant burden and maintains temporality across data types; (2) facilitating multiple opportunities for qualitative and quantitative input from faculty, families, and nonparticipant community members; and (3) establishing an open-door policy for data analysis and interpretation. This paper serves as a guide and provides resources for other researchers wanting to implement a multidisciplinary and community-based cohort study.
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 | 0,304 | 0,160 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,018 | 0,005 |
| Communication savante | 0,006 | 0,010 |
| Science ouverte | 0,008 | 0,020 |
| Intégrité de la recherche | 0,007 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».