MétaCan
Menu
Retour à la cohorte
Enregistrement W3040648530 · doi:10.1186/s12889-020-09160-z

A comprehensive overview and qualitative analysis of government-led nutrition policies in Australian institutions

2020· review· en· W3040648530 sur OpenAlexfundno aff
Emalie Rosewarne, Annet C. Hoek, Gary Sacks, Luke Wolfenden, Jason Wu, Jenny Reimers, Kirstan Corben, Michael Moore, Cliona Ní Mhurchú, Jacqui Webster

Notice bibliographique

RevueBMC Public Health · 2020
Typereview
Langueen
DomaineBusiness, Management and Accounting
ThématiqueGlobal Public Health Policies and Epidemiology
Établissements canadiensnon disponible
Organismes subventionnairesNational Health and Medical Research CouncilMedical Research CouncilCanadian Institutes of Health ResearchUniversity of New South WalesHealth Research Council of New ZealandVicHealthNational Heart Foundation of AustraliaWorld Health Organization
Mots-clésMandatePublic healthGovernment (linguistics)Health policyStakeholderPublic policyMedicineJurisdictionBusinessEnvironmental healthPublic relationsPublic administrationEconomic growthPolitical scienceNursingEconomics

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Institutions are a recommended setting for dietary interventions and nutrition policies as these provide an opportunity to improve health by creating healthy food environments. In Australia, state and territory governments encourage or mandate institutions in their jurisdiction to adopt nutrition policies. However, no work has analysed the policy design across settings and jurisdictions. This study aimed to compare the design and components of government-led institutional nutrition policies between Australian states and territories, determine gaps in existing policies, and assess the potential for developing stronger, more comprehensive policies. METHODS: Government-led institutional nutrition policies, in schools, workplaces, health facilities and other public settings, were identified by searching health and education department websites for each Australian state and territory government. This was supplemented by data from other relevant stakeholder websites and from the Food Policy Index Australia website. A framework for monitoring and evaluating nutrition policies in publicly-funded institutions was used to extract data and a qualitative analysis of the design and content of institutional nutrition policies was performed. Comparative analyses between the jurisdictions and institution types were conducted, and policies were assessed for comprehensiveness. RESULTS: Twenty-seven institutional nutrition policies were identified across eight states and territories in Australia. Most policies in health facilities and public schools were mandatory, though most workplace policies were voluntary. Twenty-four included nutrient criteria, and 22 included guidelines for catering/fundraising/advertising. While most included implementation guides or tools and additional supporting resources, less than half included tools/timelines for monitoring and evaluation. The policy design, components and nutrient criteria varied between jurisdictions and institution types, though all were based on the Australian Dietary Guidelines. CONCLUSIONS: Nutrition policies in institutions present an opportunity to create healthy eating environments and improve population health in Australia. However, the design of these policies, including lack of key components such as accountability mechanisms, and jurisdictional differences, may be a barrier to implementation and prevent the policies having their intended impact.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,030
score de la tête « metaresearch » (Gemma)0,033
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,052
Score d'incertitude au seuil0,180

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0300,033
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0040,008
Études des sciences et des technologies0,0080,009
Communication savante0,0050,005
Science ouverte0,0020,006
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,354
Tête enseignante GPT0,490
Écart entre enseignants0,136 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeRevue systématique
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations36
Publié2020
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBMC Public HealthMême sujetGlobal Public Health Policies and EpidemiologyTravaux en français237 207