Evaluating Food Policy Councils Using Structural Equation Modeling
Notice bibliographique
Résumé
Abstract At least 282 Food Policy Councils (FPCs) are currently working to improve access to healthy foods in their communities by connecting food system sectors, gathering community input, and advising food policy. Empirical research on FPCs is limited. This study empirically evaluates FPCs to better understand the relationships between Organizational Capacity, Social Capital, and Council Effectiveness by testing a FPC Framework adapted from Allen and colleagues (2012). Members of all FPCs in the U.S., Canada, and Native American Tribes and First Nations were invited to complete the Food Policy Council Self‐Assessment Tool (FPC‐SAT). Structural equation modeling was used to test the FPC Framework. Three hundred and fifty‐four FPC members from 95 councils completed the FPC‐SAT. After slight modification, a revised FPC Framework was a good fit with the data (χ2 = 40.085, df = 24, p‐value = .021, comparative fit index = 0.988, Tucker Lewis index = 0.982, root mean squared error of approximation = 0.044, p‐close = .650). A moderation analysis revealed that community context influences the relationship between Social Capital and Council Effectiveness within the FPC Framework. The FPC Framework can guide capacity building interventions and FPC evaluations. The empirically tested framework can help FPCs efficiently work toward achieving their missions and improving their local food system.
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 | 0,047 | 0,123 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».