MétaCan
Menu
Retour à la cohorte
Enregistrement W2116037807 · doi:10.1186/s13012-015-0331-0

Behaviour change strategies for reducing blood pressure-related disease burden: findings from a global implementation research programme

2015· article· en· W2116037807 sur OpenAlexafffund
David Peiris, Simon R. Thompson, Andrea Beratarrechea, María Kathia Cárdenas, Francisco Diez‐Canseco, Jane Goudge, Joyce Gyamfi, Jemima Kamano, Vilma Irazola, Claire Johnson, André Pascal Kengne, Ng Kien Keat, J. Jaime Miranda, Sailesh Mohan, Barbara Mukasa, Eleanor Ng, Robby Nieuwlaat, Olugbenga Ogedegbe, Bruce Ovbiagele, Jacob Plange‐Rhule, Devarsetty Praveen, Abdul Salam, Margaret Thorogood, Amanda G. Thrift, Rajesh Vedanthan, Salina P. Waddy, Jacqui Webster, Ruth Webster, Karen Yeates, Khalid Yusoff

Notice bibliographique

RevueImplementation Science · 2015
Typearticle
Langueen
DomaineHealth Professions
ThématiqueHealth Policy Implementation Science
Établissements canadiensQueen's UniversityMcMaster UniversityPopulation Health Research Institute
Organismes subventionnairesNational Health and Medical Research CouncilCanadian Institutes of Health ResearchNational Institutes of HealthCanadian Stroke NetworkGrand Challenges CanadaNational Institute of Neurological Disorders and StrokeMedical Research CouncilSouth African Medical Research CouncilFogarty International CenterInternational Development Research CentreAustralian Government
Mots-clésPsychological interventionMedicinePreparednessPublic healthRestructuringHealth services researchPublic relationsHealth policyLegislationImplementation researchNursingBusinessPolitical scienceFinance

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: The Global Alliance for Chronic Diseases comprises the majority of the world's public research funding agencies. It is focussed on implementation research to tackle the burden of chronic diseases in low- and middle-income countries and amongst vulnerable populations in high-income countries. In its inaugural research call, 15 projects were funded, focussing on lowering blood pressure-related disease burden. In this study, we describe a reflexive mapping exercise to identify the behaviour change strategies undertaken in each of these projects. METHODS: Using the Behaviour Change Wheel framework, each team rated the capability, opportunity and motivation of the various actors who were integral to each project (e.g. community members, non-physician health workers and doctors in projects focussed on service delivery). Teams then mapped the interventions they were implementing and determined the principal policy categories in which those interventions were operating. Guidance was provided on the use of Behaviour Change Wheel to support consistency in responses across teams. Ratings were iteratively discussed and refined at several group meetings. RESULTS: There was marked variation in the perceived capabilities, opportunities and motivation of the various actors who were being targeted for behaviour change strategies. Despite this variation, there was a high degree of synergy in interventions functions with most teams utilising complex interventions involving education, training, enablement, environmental restructuring and persuasion oriented strategies. Similar policy categories were also targeted across teams particularly in the areas of guidelines, communication/marketing and service provision with few teams focussing on fiscal measures, regulation and legislation. CONCLUSIONS: The large variation in preparedness to change behaviour amongst the principal actors across these projects suggests that the interventions themselves will be variably taken up, despite the similarity in approaches taken. The findings highlight the importance of contextual factors in driving success and failure of research programmes. Forthcoming outcome and process evaluations from each project will build on this exploratory work and provide a greater understanding of factors that might influence scale-up of intervention strategies.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,133
score de la tête « metaresearch » (Gemma)0,117
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,133
Score d'incertitude au seuil0,701

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,1330,117
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0020,002
Bibliométrie0,0030,004
Études des sciences et des technologies0,0020,003
Communication savante0,0040,004
Science ouverte0,0020,008
Intégrité de la recherche0,0020,005
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,836
Tête enseignante GPT0,746
Écart entre enseignants0,090 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations31
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueImplementation ScienceMême sujetHealth Policy Implementation ScienceTravaux en français237 207