Identifying and Applying a Strength-Based Research Approach in Indigenous Health
Notice bibliographique
Résumé
Strength-based approaches are regarded as being effective in research with communities but there are minimal examples of application as a research approach, particularly in health, with Indigenous populations, and with youth. Systemic racism manifested through colonization, including in academic institutions, has contributed to historical and ongoing traumas by supporting the overuse of deficit-based approaches with Indigenous populations in many disciplines, including health. We present our creation and application of a strength-based methodological approach to research in health alongside Dene First Nation youth. It was developed on principles consistent with the strength-based paradigms in social work, psychology, and education. We share four main components of strength-based research approach: 1) identifying strengths, 2) prioritizing and creating descriptions of strengths, 3) refining strengths by gathering contextual examples, and 4) depicting strengths to plan future research. Each component included qualitative methods (such as asset-mapping, nominal group technique, storytelling interviews, and participatory 360-degree video) that reflected aspects of strength-based approaches and emphasized active participation, multiple knowledge sources, and empowerment. Utilizing this approach promoted connectivity to the larger environment, inclusivity of multi-knowledge sources, agency and voice, increased empowerment, and practicality in action. We share challenges and lessons learned from exploring a strength-based approach in health research and provide insights for researchers interested in applying a strength-based approach to research, particularly in Indigenous health.
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 | 0,053 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| 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 ».