BRAIN HEALTH IN COMMUNITY: INVOLVING AND COLLABORATING WITH COMMUNITIES YIELDED UNEXPECTED INNOVATIONS
Notice bibliographique
Résumé
Abstract Funded by university-community engagement initiatives, this research aimed to understand and meet gaps in cognitive health promotion in diverse communities. The research team started with CONSULTATIVE conversations with activity providers and partnered older adults for analytic model specification and interpretation. As the focus groups progressed, the engagement fluidly progressed into an INVOLVEMENT marked by mutual respect for the distinct expertise of both parties and quick successions of knowledge exchanges, which led to two unintended innovations. Due to the trust built with key informants, older adults openly shared their unmet needs for a space to find meaning amid the challenges of aging. In response, a novel mindful discussion program was COLLABORATIVELY piloted with community organizations. Moreover, trust from older adults begot trust from activity providers and their sharing led to a simple eMental Health solution for closed-loop social prescribing. These insights on trust, engagement levels, and innovations are gained only in retrospect. Referencing these experiences, we reflect on the importance trust built with older adults as a catalyst for deeper engagements with service providers. Low-intensity consultations were more manageable at the start of the researcher-community relationship. More extensive engagements with older adults led to greater trust and mutual empowerment, and incidentally provided access to implicit knowledge held by activity providers which was crucial for innovation. Pivotal moments of knowledge spillovers were part of everyday activities in the community as researchers became embedded in relationality. Our experience underscores fluid engagement approaches that defy our best-planned intentions as lessons in decolonial knowledge cultivation.
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 | 0,033 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,015 | 0,019 |
| Communication savante | 0,012 | 0,012 |
| Science ouverte | 0,003 | 0,025 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».