Broadening what counts as expertise in perinatal health of under-served populations in Canada: participatory methods and Bayesian updating contextualize evidence synthesis in stakeholder knowledge
Bibliographic record
Abstract
Cette recherche doctorale porte sur la sous-représentation des populations mal desservies dans la documentation publiée sur la santé périnatale au Canada. Cette situation a des conséquences sur les politiques, l'allocation des ressources et la prestation des services. Mon premier objectif de thèse était d'identifier les résultats et les expériences périnatales parmi les populations mal desservies au Canada. Le deuxième objectif était d'élaborer une procédure, appelée Weight of Evidence (Poids des Preuves), pour contextualiser les données probantes publiées dans l'expérience des intervenants, en mettant l'accent sur la participation des populations historiquement mal desservies. Le troisième objectif était d'appliquer la méthode Weight of Evidence pour contextualiser les données probantes publiées sur les résultats et les expériences en matière de santé périnatale du point de vue des adolescentes enceintes et en parentés et de ceux qui leur prodiguent des soins. Cette thèse comprend cinq articles scientifiques, dont deux ont été publiés et trois sont en cours d'examen ou en préparation pour être soumis. Cette thèse présente des contributions tant méthodologiques que substantielles. Elle présente Weight of Evidence comme une procédure accessible, transparente et reproductible pour contextualiser les synthèses de preuves. Grâce à l'utilisation combinée de la cartographie cognitive et l’actualisation bayésienne, Weight of Evidence transforme les données probantes et les contributions de les parties prenantes en une structure relationnelle priorisée, dirigée par l'expertise des participants. Au fur et à mesure que les parties prenantes interprètent les données probantes, affinent les explications et leurs implications, et hiérarchisent les domaines d'intervention, Weight of Evidence élargit ce qui est considéré comme de l'expertise, influençant à la fois la définition du problème et les interventions pertinentes. Cette thèse identifie comment l'exclusion sociale et économique peut contribuer aux résultats de la santé périnatale. Les adolescentes enceintes et en parentés ont renforcé les conclusions de l'analyse documentaire, en donnant la priorité à la stigmatisation et à l'exclusion sociale et économique comme influences importantes sur la santé périnatale. J'ai utilisé Weight of Evidence pour contextualiser les données sur les risques de protection prénatale de l'enfance chez les adolescentes enceintes et les parents, ce qui a provoqué un réexamen des risques. Les résultats suggèrent que les enquêtes sur la protection de l'enfance ne sont pas sans risque. Les adolescents ont déclaré porter la responsabilité individuelle de risques souvent hors de leur sphère d'influence, notamment la pauvreté et le manque de soutien de la part de la famille et de la communauté.Les futurs domaines de recherche comprennent la rationalisation de Weight of Evidence avec des protocoles de revue systématique pour contribuer à une synthèse des preuves et à des conseils plus adaptés et pertinents. La promotion d'approches de la réduction des risques périnatals fondées sur des preuves et dirigées par la communauté doit également être développée afin de mieux aligner la recherche et la fourniture de services sur les besoins de la communauté
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 | 0.171 | 0.329 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.004 | 0.003 |
| Bibliometrics | 0.017 | 0.018 |
| Science and technology studies | 0.008 | 0.012 |
| Scholarly communication | 0.014 | 0.006 |
| Open science | 0.005 | 0.014 |
| Research integrity | 0.003 | 0.004 |
| 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".