Strengthening public health nutrition: findings from a situational assessment to inform system-wide capacity building in Ontario, Canada
Notice bibliographique
Résumé
OBJECTIVE: To assess public health nutrition practice within the public health system in Ontario, Canada to identify provincial-wide needs for scientific and technical support. DESIGN: A qualitative descriptive study was conducted to identify activities, strengths, challenges and opportunities in public health nutrition practice using semi-structured key informant interviews (n 21) and focus groups (n 10). Recorded notes were analysed concurrently with data generation using content analysis. System needs were prioritised through a survey. SETTING: Public health units. PARTICIPANTS: Eighty-nine practitioners, managers, directors, medical officers of health, researchers and other stakeholders were purposively recruited through snowball and extreme case sampling. RESULTS: Five themes were generated: (i) current public health nutrition practice was broad, complex, in transition and collaborative; (ii) data/evidence/research relevant to public health needs were insufficiently available and accessible; (iii) the amount and specificity of guidance/leadership was perceived to be mismatched with strong evidence that diet is a risk factor for poor health; (iv) resources/capacity were varied but insufficient and (v) understanding of nutrition expertise in public health among colleagues, leadership and other organisations can be improved. Top ranked needs were increased understanding, visibility and prioritisation of healthy eating and food environments; improved access to data and evidence; improved collaboration and coordination; and increased alignment of activities and goals. CONCLUSIONS: Collective capacity in the public health nutrition can be improved through strategic system-wide capacity-building interventions. Research is needed to explore how improvements in data, evidence and local contexts can bridge research and practice to effectively and efficiently improve population diets and health.
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 | 0,007 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,016 | 0,005 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».