‘Gudhurr-wutu’ (strengthen the mob): maximizing the impact of First Nations health and well-being messaging
Notice bibliographique
Résumé
Dunghutti Country is located within Australia's number one 'stroke hotspot', with incidence almost double the national average. First Nations peoples are disproportionately affected by stroke, with higher incidence and hospitalization rates and a greater risk of dying compared to non-First Nations Australians. Early recognition of stroke symptoms is critical for people to access time-sensitive medical interventions, maximizing recovery potential. Whilst an internationally recognized F.A.S.T (Face, Arm, Speech, Time) message exists to promote rapid recognition of stroke symptoms, community awareness of F.A.S.T is limited. This project aimed to collaboratively design a culturally responsive F.A.S.T health message with and by First Nation's peoples, thus increasing awareness of stroke symptoms, to improve response for seeking time-sensitive medical care. Guided by a qualitative participatory action methodology, and the use of cross-cultural Yarning as the method, this collaborative project involved six Dunghutti stroke survivors, a Dunghutti artist, a knowledge holder of local Dunghutti language, and a local occupational therapist/researcher, who reviewed the mainstream F.A.S.T health message and reimagined that message in a culturally relevant and meaningful way. Yarning allowed exploration of key themes, identifying three elements necessary to maximize the impact of First Nations health and well-being messaging. Elements included ensuring the health message (i) connects to Country, (ii) connects to understandings of health and well-being, and (iii) connects through relevant content, with First Nations peoples centred within the ideation, development, and message delivery processes.
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 | 0,003 | 0,001 |
| 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 | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».