Theoretical conceptions of intervention research addressing cancer control issues
Notice bibliographique
Résumé
Population health intervention research (PHIR) involves the use of scientific methods to produce knowledge about policy and program interventions that operate within or outside of the health sector and have the potential to impact health at the population level. PHIR is a relatively new research field that has gained momentum internationally. When developing PHIR, it is important to have a program theory with the potential to increase intervention success by identifying underlying mechanisms, areas of failure and unintended outcomes. Since 2010, the French National Cancer Institute (Institut National du Cancer-INCa) has supported a national, competitive, dedicated call for proposals in PHIR to tackle cancer control issues. After 5 years of activity, specific analysis of the proposals submitted for funding and/or funded (n = 63) from descriptive and analytic perspectives was called for. Analysis of the data revealed diversity in terms of targeted populations, partnerships engaged and methodological approaches. Projects were more likely to be funded (n = 15) if presented with a robust methodological approach and diversity in methodology, and/or with research objectives at different levels of action. The analysis also revealed that researchers do not explicitly describe theoretical constructs underpinning their interventions to combat cancer. PHIR still needs improvement to better incorporate social, institutional and policy approaches to cancer control. Researchers should apply a theory-driven approach to distinguish between 'program failure' and 'theory failure'. Following up the funded projects will allow successes and failures to be evaluated with respect to the use (or non-use) of theory-driven approaches.
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 | 0,006 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,026 | 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 tête enseignante, 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 ».