How and why do win–win strategies work in engaging policy-makers to implement Health in All Policies? A multiple-case study of six state- and national-level governments
Notice bibliographique
Résumé
BACKGROUND: Much of the research about Health in All Policies (HiAP) implementation is descriptive, and there have been calls for more evaluative evidence to explain how and why successes and failures have occurred. In this cross-case study of six state- and national-level governments (California, Ecuador, Finland, Norway, Scotland and Thailand), we tested hypotheses about win-win strategies for engaging policy-makers in HiAP implementation drawing on components identified in our previous systems framework. METHODS: We used two sources of data - key informant interviews and peer-reviewed and grey literature. Using a protocol, we created context-mechanism-outcome pattern configurations to articulate mechanisms that explain how win-win strategies work and fail in different contexts. We then applied our evidence for all cases to the systems framework. We assessed the quality of evidence within and across cases in terms of triangulation of sources and strength of evidence. We also strengthened hypothesis testing using replication logic. RESULTS: We found robust evidence for two mechanisms about how and why win-win strategies build partnerships for HiAP implementation - the use of shared language and the value of multiple outcomes. Within our cases, the triangulation was strong, both hypotheses were supported by literal and contrast replications, and there was no support against them. For the third mechanism studied, using the public-health arguments win-win strategy, we only found evidence from Finland. Based on our systems framework, we expected that the most important system components to using win-win strategies are sectoral objectives, and we found empirical support for this prediction. CONCLUSIONS: We conclude that two mechanisms about how and why win-win strategies build partnerships for HiAP implementation - the use of shared language and the value of multiple outcomes - were found as relevant to the six settings. Both of these mechanisms trigger a process of developing synergies and releasing potentialities among different government sectors and these interactions between sectors often work through sectoral objectives. These mechanisms should be considered when designing future HiAP initiatives and their implementation to enhance the emergence of non-health sector policy-makers' engagement.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Qualitatif | low |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Qualitatif | low |
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 | 0,013 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».