Examining local-level factors shaping school nutrition policy implementation in Ontario, Canada
Notice bibliographique
Résumé
OBJECTIVE: Increasing numbers of overweight and obese youth draw attention to the school as an important setting for targeted nutrition interventions, given that it is where they spend a majority of their waking time. The objective of the present study was to explore local-level factors shaping the implementation of a school nutrition policy. DESIGN: In-depth, semi-structured interviews were conducted in person or via the telephone (a maximum of 60 min). An interview guide was informed by the Analysis Grid for Environments Linked to Obesity (ANGELO) framework, research objectives and literature. Key themes centred on policy implementation, including facilitators and barriers (i.e. resources, capacity), user satisfaction (i.e. students) and communication strategies. SETTING: Secondary schools in Ontario, Canada. SUBJECTS: Twenty-two participants from local agencies supporting school nutrition programming (n 8) and secondary-school principals, vice principals and teachers (n 14) from nine schools across three Ontario school boards. RESULTS: Results are organized according to environments outlined in the ANGELO framework. The cost of healthy food for sale, revenue loss (economic), proximity of schools to off-site food outlets (physical), the restrictive nature of policy, the role of key stakeholders (political), the role of stigma and school culture (sociocultural) act as local-level barriers to policy implementation. CONCLUSIONS: Gaps in policy implementation include the high cost of food for sale and subsequent revenue generation, the close proximity of internal and external food environments, the need for consultation and communication between stakeholders, and strategies to reduce stigma and improve the school nutrition culture.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».