Examining an Australian physical activity and nutrition intervention using RE-AIM
Notice bibliographique
Résumé
Translating evidence-based interventions into community practice is vital to health promotion. This study used the RE-AIM framework to evaluate the larger dissemination of the ManUp intervention, an intervention which utilized interactive web-based technologies to improve the physical activity and nutrition behaviors of residents in Central Queensland, Australia. Data were collected for each RE-AIM measure (Reach, Effectiveness, Adoption, Implementation, Maintenance) using (i) computer-assisted telephone interview survey (N = 312) with adults (18 years and over) from Central Queensland, (ii) interviews with key stakeholders from local organizations (n = 12) and (iii) examination of project-related statistics and findings. In terms of Reach, 47% of participants were aware of the intervention; Effectiveness, there were no significant differences between physical activity and healthy nutrition levels in those aware and unaware; Adoption, 73 participants registered for the intervention and 25% of organizations adopted some part of the intervention; Implementation, 26% of participants initially logged onto the website, 29 and 17% started the web-based physical activity and nutrition challenges, 33% of organizations implemented the intervention, 42% considered implementation and 25% reported difficulties; Maintenance, an average of 0.57 logins and 1.35 entries per week during the 12 week dissemination and 0.27 logins and 0.63 entries per week during the 9-month follow-up were achieved, 22 and 0% of participants completed the web-based physical activity and nutrition challenges and 33.3% of organizations intended to continue utilizing components of the intervention. While this intervention demonstrated good reach, effectiveness, adoption and implementation warrant further investigation.
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 | 0,003 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».