Illuminating the Impact of a Participatory Art Exhibition for Knowledge Translation in Oncology: A Case Study (Lumière sur les retombées d’une exposition d’art participative pour le transfert des connaissances en oncologie : une étude de cas)
Notice bibliographique
Résumé
There is a notable research-practice gap in health care, alongside growing interest in arts-based knowledge translation to honor participants’ voices, advance equitable access, and enact change. We created an art exhibition to share findings about patients’ experiences of a mindfulness-based expressive arts group in oncology. Guided by the Knowledge-as-Action Framework and using a case study design, our research question was: How does an exhibition displaying artwork made by patients with cancer facilitate the communication of research findings with diverse audiences? Questionnaires, field notes, documents, and photographs were analyzed using descriptive statistics and content analysis. The development of a portable, in-person art exhibition required an intensive interdisciplinary, research-practice collaboration. The exhibition was held at a regional cancer center, a congress, and two Canadian universities. Over 600 people attended the exhibition, including patients, the public, healthcare professionals, policy-makers, students, and academic faculty/staff. We recruited 190 research participants and found the exhibition was an immersive experience that deepened understandings of the patient-artists’ experiences and catalyzed intentions for practice change. Researchers and clinicians should consider arts-based knowledge translation strategies that honor and amplify patients’ voices, making their experiences more accessible and memorable for diverse stakeholders, while fostering empathy and an appreciation of arts interventions.
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 | 0,009 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».