Evaluation of Get Healthy at Work, a state-wide workplace health promotion program in Australia
Notice bibliographique
Résumé
BACKGROUND: Workplace health programs (WHPs) may improve adult health but very little evidence exists on multi-level WHPs implemented at-scale and so the relationship between program implementation factors and outcomes of WHPs are poorly understood. This study evaluated Get Healthy at Work (GHaW), a state-wide government-funded WHP in Australia. METHODS: A mixed-method design included a longitudinal quasi-experimental survey of businesses registered with GHaW and a comparison group of businesses surveyed over a 12-month period. Semi-structured interviews and focus groups with key contacts and employees of selected intervention group businesses and the service providers of the program were conducted to assess program adoption and adaptation. RESULTS: Positive business-level changes in workplace culture were observed over time among GHaW businesses compared with the control group. Multilevel regression modelling revealed perceptions that employees were generally healthy (p = 0.045 timeXgroup effect) and that the workplace promoted healthy behaviours (p = 0.004 timeXgroup effect) improved significantly while the control group reported no change in work culture perceptions. Changes in perceptions about work productivity were not observed; however only one third of businesses registered for the program had adopted GHaW during the evaluation period. Qualitative results revealed a number of factors contributing to program adoption: which depended on program delivery (e.g., logistics, technology and communication channels), design features of the program, and organisational factors (primarily business size and previous experience of WHPs). CONCLUSIONS: Evaluation of program factors is important to improve program delivery and uptake and to ensure greater scalability. GHaW has the potential to improve workplace health culture, which may lead to better health promoting work environments. These results imply that government can play a central role in enabling prioritisation and incentivising health promotion in the workplace.
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 | 0,010 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».