Improving the Food Environment in Baltimore City through Policy Change
Notice bibliographique
Résumé
The food environment, including availability and price, can greatly influence chronic disease risk. Policy interventions have the potential to institutionalize and sustain improvements in the food environment. This study was initiated in response to a request from Baltimore City (BC) lawmakers to develop feasible criteria for improving small food stores. Our mixed methods design included a literature review of small store interventions (N=18), in‐depth interviews with program staff (N=11), and a structured survey with an expert panel of stakeholders (N=54). Using our initial findings, we created a set of 15 criteria, which were ranked by the panel for anticipated effectiveness. The highest ranked criteria included: 1) stocking fresh fruit; 2) using shelf labels; 3) displaying point of purchase posters; 4) adhering to food stamp and WIC guidelines; 5) stocking fresh vegetables. We then developed 10 key policy recommendations including: 1) the designation of “high risk zones” (<.25 miles from a school; >.25 miles from a supermarket and >40% of population below poverty line); 2) mandated adherence to criteria 1–5; 3) regular Health Department inspections; 4) license probation for noncompliance; 5) a graded incentivization program; 6) a stakeholder advisory board. These recommendations and the associated criteria have the potential to directly impact BC legislation, and improve the health of its residents. Grant Funding Source : Johns Hopkins Center for a Livable Future
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 | 0,003 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 ».