UNDERSTANDING INCLUSIVE PHYSICAL PLACES AND VIRTUAL SPACES: THE FORTITUDE OF OLDER MARGINALIZED COMMUNITIES
Notice bibliographique
Résumé
Abstract The World Health Organization (WHO) Age-Friendly Cities and Communities (AFCC) agenda emphasizes collaboration among older individuals, local groups, councils, and businesses to enhance communities. This involves improvements in several social and environmental domains including transportation, outdoor spaces, volunteering, employment opportunities, and leisure and community services. IncludeAge, a UK Economic and Social Research Council funded project, addresses multifaceted aspects of age-friendly communities beyond the emphasis on social and physical environments, highlighting the importance of belonging and identity alongside cultural and life course experiences. Focusing on physical and online places and spaces, IncludeAge takes intersectional and life course perspectives to understanding the inclusion of mid-older (40+) people who are often marginalized: those with intellectual disabilities and LGBT+ individuals. Employing a transdisciplinary, innovative mixed-methods approach and guided by Community-Based Participatory Research principles, our longitudinal study uses life course interviews, GIS story mapping and social network analysis to document experiences of inclusion and exclusion in past lives and current real-time. Preliminary insights underscore the importance of the cultural and historical dynamics of experienced stigma and discrimination, the value of ‘hidden spaces and places’ and ‘experiences on the periphery’. We use the Intersectional Place Perspective (IPP) theoretical model to aid interpretation. Through co-developed story maps and individual narratives, we aim to amplify the voices of marginalized groups in designing potential solutions to exclusionary experiences and practices, fostering empowerment and social inclusion. Our research will advance understanding of AFCC and community inclusion as a human right, thereby supporting meaningful everyday lives for our focal populations.
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 | 0,006 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,009 | 0,019 |
| Communication savante | 0,009 | 0,011 |
| Science ouverte | 0,002 | 0,016 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».