Barriers, Strategies, and Resources to Thriving School Gardens
Notice bibliographique
Résumé
OBJECTIVE: To identify school garden attributes and practices that most strongly contribute to garden use and sustainability and translate them into recommendations for improving garden-based nutrition education. DESIGN: Surveys were developed and administered to school stakeholders to assess the barriers, strategies, and resources for successful school garden-based nutrition education. A panel of school garden experts identified thriving school gardens. Logistic regression was used to identify which attributes predicted thriving school garden programs. SETTING: Approximately 109 schools across Greater Austin, TX. PARTICIPANTS: A total of 523 school teachers and 174 administrators. OUTCOMES: Barriers, strategies, and resources relevant to successful school gardening nutrition programs. RESULTS: Thriving school gardens were 3-fold more likely to have funding and community partner use (P = 0.022 and P = 0.024), 4 times more likely to have active garden committees (P = 0.021), available garden curriculum (P = 0.003), teacher training (P = 0.045), ≥ 100 students who used the garden annually (P = 0.047), and 12 times more likely to have adequate district and administrator support (P = 0.018). CONCLUSIONS AND IMPLICATIONS: Adequate administrative and district support is fundamental when implementing a school garden. Schools may benefit from finding additional funding, providing teacher garden training, providing garden curriculum, forming garden leadership committees, and partnering with local community organizations to improve garden-based nutrition education.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».