Our Voices, Our Stories—A Multi‐Method Knowledge Translation Strategy for Advancing Inclusivity and Creating Trauma‐Informed Wound Care
Notice bibliographique
Résumé
This initiative utilised knowledge translation (KT) strategies, including digital storytelling (DST) as both a narrative and educational tool, to amplify voices and support trauma-informed healing for individuals living with chronic wounds. A multi-method KT approach was employed, involving: (1) patient DST; (2) a national Patient Journey conference; (3) webinars and conference sessions; (4) a social media campaign; (5) infographics and supplements and (6) an open-access digital library. Since its launch in November 2021, the initiative has garnered significant engagement. Twenty-five patients and care partners across Canada shared their wound care journeys. In June 2022, 191 patients, advocates, policymakers and healthcare providers attended the inaugural virtual Patient Journey. Additionally, 102 participants joined three Patient Journey events between June and October 2024. Patient stories received 23 012 views, and the social media campaign and infographics reached over 900 healthcare professionals, policymakers and advocates across Canada. The initiative raised awareness of the challenges faced by individuals living with wounds. Storytellers described grief, frustration and confusion, underscoring the need for person-centred wound care, timely specialised services and better healthcare navigation. Their experiences revealed care gaps, highlighting the urgent need for systemic change to promote equity and inclusivity in wound care.
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 | 0,130 | 0,102 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,009 | 0,012 |
| Communication savante | 0,018 | 0,011 |
| Science ouverte | 0,005 | 0,030 |
| Intégrité de la recherche | 0,003 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 0,002 |
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 ».