COMMUNITY ENGAGEMENT IN DIFFERENT NATIONAL CONTEXTS: BUILDING BRIDGES AND AGE-FRIENDLY ENVIRONMENTS
Notice bibliographique
Résumé
Abstract To bridge the gap between research and practice, initiatives to facilitate knowledge mobilization in tandem with community engagement have become increasingly important. This symposium will advance the understanding about knowledge mobilization processes and community engagement efforts by offering insight from scholars from established research centers with long-standing community engagement as well as new initiatives connecting disparate disciplines and sectors. Representing different national contexts, the speakers will share their experiences regarding the complexities of partnership and engagement approaches, processes, and activities. Benefits (research quality, relevance, utilization, transgressing boundaries, addressing complex problems) as well as barriers (diverse conditions/cultures, lack of time/resources, multiple levels of terminology, hard-to-reach groups, projectification, boundaries of traditional science systems) will be addressed. The first speaker will describe the development and establishment of a pool of interested parties in Sweden to systematize and facilitate communication, entryways to research studies, and user involvement in aging research. The second speaker will describe the work of a center serving older African Americans from Detroit, Michigan, including innovative leadership opportunities created for its members. The third speaker will describe new initiatives in the Canadian context that purposefully choreograph knowledge mobilization activities to disrupt disciplinary and industry silos in the practice and research of salutogenic/healthy long-term care environments. The last speaker will describe an engagement effort towards age-friendly infrastructures in rural municipalities in Canada. Finally, discussant Ian Johnson from the University of Texas San Antonio will identify, compare, and discuss underlying themes, commonalities, differences, and lessons learned generated from the presentations.
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 | 0,012 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,021 | 0,012 |
| Communication savante | 0,013 | 0,011 |
| Science ouverte | 0,002 | 0,034 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».