Developing Navigation Competencies to Care for Older Rural Adults with Advanced Illness
Bibliographic record
Abstract
RÉSUMÉ Les navigateurs aident les adultes ruraux âgés avec des maladies avancées, ainsi que leurs familles, de se connecter aux ressources, à l’information, et aux gens qui peuvent améliorer leur qualité de vie. Cet article décrit le processus utilisé pour engager des experts—en vieillissement en milieu rural, les soins palliatifs en milieu rural, et la navigation—ainsi que les intervenants dans les collectivités rurales, d’élaborer une définition conceptuelle d’une telle navigation et de délimiter les compétences pertinentes pour la prise en charge de cette population. Un document de discussion sur les considérations importantes pour la navigation dans cette population a été développé, suivi d’un processus Delphi en quatre étapes avec 30 membres invités experts. Les résultats de l’étude ont abouti à cinq compétences générales de navigation pour les fournisseurs de soins de santé qui prennent soin des personnes âgées rurales et de leurs familles à la fin de vie: la capacité de fournir le dépistage des patients / famille; à préconiser pour le patient / famille; de faciliter les relations avec la communauté; de coordonner l’accès aux services et aux ressources; et de promouvoir l’engagement actif. Les compétences particulières ont également été développées. Ces compétences constituent la base pour la recherche et le développement de programmes d’études en navigation.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.004 | 0.007 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".