Can a Recovery College be implemented online? Multi-perspective case study documenting the process of adapting courses online
Notice bibliographique
Résumé
Purpose This study aims to document the process of adapting Recovery College (RC) courses into an online format and assess whether online adaptation meets learners’ goals. The study describes the challenges encountered, the strategies deployed and the factors influencing implementation from the perspectives of four interested parties: coordination team, partners advisory committee, trainers and learners. Design/methodology/approach The study adopts a descriptive single-case study design. Several sources of data were collected: focus groups, implementation daybook, meeting minutes, interviews and satisfaction survey. Simple descriptive content analysis was used for all qualitative data, and simple descriptive statistical analyses were used for the online satisfaction survey with learners. Findings The results highlight challenges and strategies for adapting content and facilitation, as well as challenges and strategies for respecting RC key principles. Internal, organizational and technological factors have influenced the implementation. Most learners were satisfied with the courses attended and felt that it met their goals. Three overarching aspects of online implementation are discussed based on findings: training and supporting trainers, facilitation and pedagogical methods and ongoing monitoring and feedback to interested parties. Research limitations/implications Findings encourage further research to determine the extent to which online RC courses align with recommended strategies for reducing digital inequalities and implementing digital health interventions. Originality/value Few studies have focused on implementing RC online. This case study offers insights for organizations pursuing similar initiatives.
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 | 0,002 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».