Community-based men’s health promotion programs: eight lessons learnt and their caveats
Notice bibliographique
Résumé
Long-standing commentaries about men's reticence for accessing clinical medical services, along with the more recent recognition of men's health inequities, has driven work in community-based men's health promotion. Indeed, the 2000s have seen rapid growth in community-based programs targeting men, and across this expanse of innovative work, experiential and empirical insights afford some important lessons learnt, and caveats to guide existing and future efforts. The current article offers eight lessons learnt regarding the design, content, recruitment, delivery, evaluation and scaling of community-based men's health promotion programs. Design lessons include the need to address social determinants of health and men's health inequities, build activity-based programming, garner men's permission and affirmation to shift masculine norms, and integrate content to advance men's health literacy. Also detailed are lessons learnt about men-friendly spaces, recruitment and retention strategies, the need to incrementally execute program evaluations, and the limits for program sustainability and scaling. Drawing from diverse community-based programs to illustrate the lessons learnt, caveats are also detailed to contextualize and caution some aspects of the lessons that are shared. The express aim of discussing lessons learnt and their caveats, reflected in the purpose of the current article, is to guide existing and future work in the ever growing field of community-based men's health promotion.
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 | 0,086 | 0,137 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,012 |
| Communication savante | 0,010 | 0,019 |
| Science ouverte | 0,005 | 0,010 |
| Intégrité de la recherche | 0,007 | 0,015 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».