Integrating research evidence and physical activity policy making—REPOPA project
Notice bibliographique
Résumé
Evidence shows that regular physical activity is enhanced by supporting environment. Studies are needed to integrate research evidence into health enhancing, cross-sector physical activity (HEPA) policy making. This article presents the rationale, study design, measurement procedures and the initial results of the first phase of six European countries in a five-year research project (2011-2016), REsearch into POlicy to enhance Physical Activity (REPOPA). REPOPA is programmatic research; it consists of linked studies; the first phase studied the use of evidence in 21 policies in implementation to learn more in depth from the policy making process and carried out 86 qualitative stakeholder interviews. The second, ongoing phase builds on the central findings of the first phase in each country; it consists of two sets of interventions: game simulations to study cross-sector collaboration and organizational change processes in the use of evidence and locally tailored interventions to increase knowledge integration. The results of the first two study phases will be tested and validated among policy makers and other stakeholders in the third phase using a Delphi process. Initial results from the first project phase showed the lack of explicit evidence use in HEPA policy making. Facilitators and barriers of the evidence use were the availability of institutional resources and support but also networking between researchers and policy makers. REPOPA will increase understanding use of research evidence in different contexts; develop guidance and tools and establish sustainable structures such as networks and platforms between academics and policy makers across relevant sectors.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».