Обучение тактике в тхэквондо-wtf на этапе начальной подготовки с использованием средств и методов межкультурной коммуникации
Notice bibliographique
Résumé
Developing the evidence base for health promotion can be challenging because interventions often have to target competing determinants of health, including social, structural, environmental and political determinants; all of which are difficult to measure and thus evaluate. Drawing on a case study of food insecurity, which refers to inadequate access to food due to financial constraints, we illustrate the challenges faced by community-based organizations in collecting data to form an evidence base for the development and evaluation of collective programmes aimed at addressing food insecurity. Interviews were conducted with members of a multi-stakeholder coalition (n = 22 interviewees; n = 10 organizations) who collectively work to address food insecurity in their community through a range of community-based programmes and services. Member organizations also provided a list of measures currently used to inform programme and service development and evaluation. Data were collected in a city in Southern Ontario, Canada between May and September 2015. Participants identified four barriers to collecting data: Organizational needs and philosophies; concerns surrounding clientele wellbeing and dignity; issues of feasibility; and restrictive requirements imposed by funding bodies. Participants also discussed their previous successes in collecting meaningful data for identifying impact. Our results point to the challenge of generating data suitable for developing and evaluating programmes aimed at broader determinants of health, while maintaining the primary goal of meeting clients' needs. Documenting change at intermediate- and macro-levels would provide evidence for the collective effectiveness of current programmes and services offered. However, appropriate resources need to be invested to allow for scientific evaluation.
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 | 0,005 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,005 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,043 | 0,003 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».