MétaCan
Menu
Retour à la cohorte
Enregistrement W3158591874 · doi:10.1177/10901981211002453

A Photovoice Inquiry Into the Impacts of a Subsidized CSA Program on Participants’ Health

2021· article· en· W3158591874 sur OpenAlexfundno aff
Allea Martin, Amy Coplen, Lauren Lubowicki, Betty T. Izumi

Notice bibliographique

RevueHealth Education & Behavior · 2021
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueParticipatory Visual Research Methods
Établissements canadiensnon disponible
Organismes subventionnairesProvidence Health CareOregon Health and Science UniversityKaiser Permanente
Mots-clésPhotovoiceAgricultureFocus groupEnvironmental healthSubsidyGerontologyCommunity healthPopulationPopulation healthPublic healthHealth educationHealth promotionMedical educationPsychologyMedicineBusinessEconomic growthMarketingNursingPolitical scienceGeographyEconomics

Résumé

récupéré en direct d'OpenAlex

Although consumption of fruits and vegetables is associated with reduced risk of disease, many Americans do not eat the recommended quantity or variety. This is especially true for low-income populations, who may face significant barriers to accessing fresh produce, including cost. Community-supported agriculture (CSA) Partnerships for Health is a subsidized community-supported agriculture program designed to reduce barriers to accessing fresh produce in a low-income population. This Photovoice study gave participants ( n = 28) an opportunity to take photos representing how the program affects their lives. The aim was to understand the program’s impact from the perspective of CSA members. Participants had 2 to 4 weeks to take photographs, and then selected a few to discuss during a subsequent focus group. Through this discussion, we learned that participants see the program as (a) supporting positive changes to their physical and social health and (b) facilitating learning about new foods, cooking, and agriculture. The study suggests that a reduced-cost CSA membership that incorporates cooking education supports participants’ ability to try new foods, build skills, and improve health outcomes.

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)0,006
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,007
Score d'incertitude au seuil0,034

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0070,002
Communication savante0,0010,002
Science ouverte0,0010,003
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,730
Tête enseignante GPT0,727
Écart entre enseignants0,003 · 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'étudeQualitatif
Domainenon disponible
GenreEmpirique

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

En bref

Citations2
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueHealth Education & BehaviorMême sujetParticipatory Visual Research MethodsTravaux en français237 207