Navigating and reframing tensions within equity‐centered learning health systems
Notice bibliographique
Résumé
Introduction: Canada recently joined a growing list of countries that are establishing national collaboratives to exchange knowledge on and scale learning health systems (LHSs) across geographies and sectors. The first symposium of the pan-Canadian Learning Health Hub was held in June 2024 and included a keynote presentation and breakout discussions on how to operationalize equity in LHSs. Methods: In preparing for the keynote presentation, we examined the literature, reflected on our experiences building LHSs that have an equity focus, and on discussions we have had with other LHS practitioners on where and how equity manifests within a LHS. Results: Through our preparation, we identified three tensions that are inherent to and result from centering equity in LHSs: (i) Divergent definitions and languages of health equity (the tension of language); (ii) rapid learning versus slow engagement (the tension of pace); and (iii) equity as a driver and an outcome (the tension of dual roles). In this analysis, we present how these tensions manifest in the practice of equity and LHSs alongside strategies for navigating and reframing these tensions to catalyze dynamic learning. Conclusion: For individuals and organizations interested in advancing equity-oriented LHSs, in Canada and other jurisdictions, this paper highlights how and why the goal should not be to avoid these tensions, but rather to navigate the push-pull inherent in our contexts with intention and a commitment to transformative action.
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 | 0,050 | 0,039 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,037 | 0,087 |
| Communication savante | 0,031 | 0,017 |
| Science ouverte | 0,005 | 0,032 |
| Intégrité de la recherche | 0,005 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».