Methodological reflections on research with racialized communities and stigmatized topics: Towards a model of transformative engagement
Notice bibliographique
Résumé
Through our participation as the Calgary site for the Strength in Unity (SIU) project, a pan-Canadian randomized controlled trial, our team anticipated learning much about the seldom researched area of racialized men’s experiences with mental health stigma and their responses to novel interventions. Distinct from the study’s formal objectives and research queries, we encountered significant recruitment challenges, which engendered unanticipated but welcomed learnings concerning culturally sensitive recruitment practices. To help build the capacity of researchers to meaningfully and respectfully engage ethnoculturally diverse populations, this article discusses five major approaches to participant recruitment and engagement used by the Calgary-based SIU team, as well as the strengths and limitations of each identified approach. In this critical commentary we examine conventional recruitment processes employed in Calgary during early stages of the broader SIU study, thereby illuminating unanticipated barriers to the success of these accepted recruitment practices, as well as report lessons learned that may benefit projects endeavoring to use community-based recruitment strategies to engage participants from diverse cultural groups, particularly for projects considering matters stigmatizing (real or potential) to the community or communities of interest. From our serendipitous learnings we proffer the terminology, “transformative engagement” to characterize a novel process for social work researchers (and/or allied health professionals) to engage with communities and peoples in meaningful, respectful, lasting, and transformative processes, that move beyond traditional and even culturally-sensitive research recruitment practices.
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 | 0,570 | 0,437 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,029 | 0,136 |
| Communication savante | 0,038 | 0,033 |
| Science ouverte | 0,014 | 0,035 |
| Intégrité de la recherche | 0,013 | 0,030 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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; l’étiquette directe de Gemma et le classifieur distillé Codex s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».