Using Win-Win Strategies to Implement Health in All Policies: A Cross-Case Analysis
Notice bibliographique
Résumé
BACKGROUND: In spite of increasing research into intersections of public policy and health, little evidence shows how policy processes impact the implementation of Health in All Policies (HiAP) initiatives. Our research sought to understand how and why strategies for engaging partners from diverse policy sectors in the implementation of HiAP succeed or fail in order to uncover the underlying social mechanisms contributing to sustainable implementation of HiAP. METHODS: In this explanatory multiple case study, we analyzed grey and peer-review literature and key informant interviews to identify mechanisms leading to implementation successes and failures in relation to different strategies for engagement across three case studies (Sweden, Quebec and South Australia), after accounting for the role of different contextual conditions. FINDINGS: Our results yielded no support for the use of awareness-raising or directive strategies as standalone approaches for engaging partners to implement HiAP. However, we found strong evidence that mechanisms related to "win-win" strategies facilitated implementation by increasing perceived acceptability (or buy-in) and feasibility of HiAP implementation across sectors. Win-win strategies were facilitated by mechanisms related to several activities, including: the development of a shared language to facilitate communication between actors from different sectors; integrating health into other policy agendas (eg., sustainability) and use of dual outcomes to appeal to the interests of diverse policy sectors; use of scientific evidence to demonstrate the effectiveness of HiAP; and using health impact assessment to make policy coordination for public health outcomes more feasible and to give credibility to policies being developed by diverse policy sectors. CONCLUSION: Our findings enrich theoretical understanding in an under-unexplored area of intersectoral action. They also provide policy makers with examples of HiAP across wealthy welfare regimes, and improve understanding of successful HiAP implementation practices, including the win-win approach.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,000 |
| 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 ».