Leaders' Experiences in Planning, Implementing, and Evaluating Complex Public Health Nutrition Interventions
Notice bibliographique
Résumé
OBJECTIVE: To explore California local health department leaders' experiences planning, implementing, and evaluating nutrition promotion and obesity prevention programs for low-income families. DESIGN: Qualitative, cross-sectional study using semi-structured in-depth interviews and panel interviews conducted in 2015-2016. SETTING: California local health departments (LHDs) funded by the California Department of Public Health to implement Supplemental Nutrition Assistance Program-Education (SNAP-Ed). PARTICIPANTS: The authors recruited SNAP-Ed leaders from all 58 California LHDs implementing SNAP-Ed. Leaders from 49 LHDs participated: 36 in hour-long, in-depth interviews and 13 in 1 of 3 90-minute group panel interviews. PHENOMENON OF INTEREST: Processes, facilitators, and barriers connected to delivering SNAP-Ed reported by leaders in planning, implementing, and evaluating local programs. ANALYSIS: Interviews were transcribed, coded, and analyzed using Dedoose software. RESULTS: Leaders grappled with introducing, implementing, and integrating policy, systems, and environmental change interventions (PSEs). Information used to make planning decisions varied widely across LHDs. Partnership with nontraditional organizations was described as a resource- intensive, nonlinear process with recognized potential for benefit. Rural programs reported specific and different experiences compared with their urban counterparts. CONCLUSIONS AND IMPLICATIONS: Implementing new, complex interventions to improve diet and activity environments and behaviors is both exciting and challenging for local leaders. They expressed a desire for additional resources and capacity building to facilitate success, particularly related to policy, systems, and environmental change programs. Attention to the specific needs of rural counties is needed.
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 | 0,009 | 0,018 |
| 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 | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».