Building a Learning System Guided by Client Stories and Evaluation: Dancing with Parkinson’s Stories That Illuminate Pathways to Better Brain Health
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
This chapter explores how Dancing with Parkinson’s (DWP), a research-informed dance program for individuals with Parkinson’s disease and older adults, evolved into a learning organization by integrating client stories, daily feedback, and external evaluations. Initially offering in-person classes, DWP transitioned to a daily online Zoom platform during the COVID-19 pandemic, expanding access to over 5300 participants across Canada. The program employs visualization and mirroring techniques to enhance neuroplasticity, mobility, and social connection, supported by evidence of improved balance, energy levels, and reduced isolation. Daily pre- and post-class chats provided real-time insights into participants’ health, preferences, and barriers, informing program adaptations like music selection and schedule adjustments. External evaluations revealed 85% of participants found the classes gave them “something to look forward to,” while 78% reported increased energy. DWP’s learning system emphasizes an “ecology of evidence,” blending quantitative data with qualitative stories to refine outreach and honor diverse community needs. Partnerships with institutions like the University of Hawaiʻi enriched the evaluation capacities of the DWP programming leads. By centering participant voices and maintaining flexibility across online/in-person formats, DWP models how community-driven interventions can foster equitable brain health through creativity, cultural responsiveness, and sustained relational learning.
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.
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 | 0,027 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,003 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 découle