An exploratory analysis to identify behavior change techniques of implementation interventions associated with the implementation of healthy canteen policies
Notice bibliographique
Résumé
Empirical studies to disentangle the effects of multicomponent implementation interventions are needed to inform the development of future interventions. This study aims to examine which behavior change techniques (BCTs) primarily targeting canteen manager are associated with school's healthy canteen policy implementation. This is a secondary data analysis from three randomized controlled trials assessing the impact of a "high," "medium," and "low" intensity intervention primarily targeting canteen managers on school's implementation of a healthy canteen policy. The policy required primary schools to remove all "red" (less healthy items) or "banned" (sugar sweetened beverages) items from regular sale and ensure that "green" (healthier items) dominated the menu (>50%). The delivery of BCTs were retrospectively coded. We undertook an elastic net regularized logistic regression with all BCTs in a single model. Five k-fold cross-validation elastic net models were conducted. The percentage of times each strategy remained across 1,000 replications was calculated. For no "red" or "banned" items (n = 162), the strongest BCTs were: problem solving, goal setting (behavior), and review behavior goals. These BCTs were identified in 100% of replications as a strong predictor in the cross-validation elastic net models. For the outcome relating to >50% "green" items, the BCTs problem solving, instruction on how to perform behavior and demonstration of behavior were the strongest predictors. Two strategies were identified in 100% of replications as a strong (i.e., problem solving) or weak predictor (i.e., feedback on behavior). This study identified unique BCTs associated with the implementation of a healthy canteen policy.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».