How do accessible veterinary care providers evaluate programmes and engage communities? Results of a qualitative analysis of Canadian service providers
Notice bibliographique
Résumé
BACKGROUND: A growing number of organisations are working to address barriers to accessing veterinary care. There is limited knowledge about how such programmes develop, evolve over time to meet community needs, and how clients and communities are engaged in programme design or evaluation of impacts. Without community-engaged evaluation, programmes cannot determine the effectiveness, potential harms or broader impacts of their services. METHODS: Three focus groups and four interviews were conducted with a total of 18 accessible veterinary care providers in Canada. Transcripts were qualitatively analysed using a priori and emergent double content coding in NVivo 14. RESULTS: Thirty-three subcodes were identified across five code categories: (1) programme initiation, (2) programme evolution, (3) evaluating success, (4) ideal programme evaluation, and (5) community engagement. Participant's organisations showed large diversity in programme initiation, evolution, evaluation and community participation, reflecting the complexity of access to care and presenting an opportunity for inter-organisational knowledge sharing. Concerns about ethical community engagement, funder reporting requirements, and limited knowledge and resources hinder animal healthcare organisations' ability to effectively engage in community-based evaluation. LIMITATIONS: Potential limitations of this study include small sample size, self-selection bias, limited geographical representation, and power dynamics which can influence responses within interviews and focus groups. CONCLUSION: This study contributes to the limited literature on the development and evaluation of accessible animal healthcare care programmes in a Canadian context, and from service providers' perspectives.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».