Using a SWOT Analysis to Inform Healthy Eating and Physical Activity Strategies for a Remote First Nations Community in Canada
Notice bibliographique
Résumé
PURPOSE: To plan community-driven health promotion strategies based on a strengths, weaknesses, opportunities, and threats (SWOT) analysis of the healthy eating and physical activity patterns of First Nation (FN) youth. DESIGN: Cross-sectional qualitative and quantitative data used to develop SWOT themes and strategies. SETTING: Remote, subarctic FN community of Fort Albany, Ontario, Canada. SUBJECTS: Adult (n = 25) and youth (n = 66, grades 6-11) community members. MEASURES: Qualitative data were collected using five focus groups with adults (two focus groups) and youth (three focus groups), seven individual interviews with adults, and an environmental scan of 13 direct observations of events/locations (e.g., the grocery store). Quantitative data on food/physical activity behaviors were collected using a validated Web-based survey with youth. ANALYSIS: Themes were identified from qualitative and quantitative data and were analyzed and interpreted within a SWOT matrix. RESULTS: Thirty-two SWOT themes were identified (e.g., accessibility of existing facilities, such as the gymnasium). The SWOT analysis showed how these themes could be combined and transformed into 12 strategies (e.g., expanding and enhancing the school snack/breakfast program) while integrating suggestions from the community. CONCLUSION: SWOT analysis was a beneficial tool that facilitated the combination of local data and community ideas in the development of targeted health promotion strategies for the FN community of Fort Albany.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,009 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».