The First Nations Food, Nutrition and Environment Study (2008–2018)—rationale, design, methods and lessons learned
Notice bibliographique
Résumé
Abstract Objective To describe the rationale, the participatory nature of the methodology, and the lessons learned during the First Nations Food, Nutrition and Environment Study (FNFNES), a community-based participatory research project implemented in eight Assembly of First Nations regions, which includes the entirety of Canada south of the 60thparallel. Methods FNFNES respected the First Nations principles of Ownership, Control, Access and Possession (OCAP®) ( https://fnigc.ca/ocap ). A random sampling strategy based on an ecosystem framework comprising 11 ecozones was adopted to collect representative nutritional and environmental health results for all First Nations adults living on-reserve south of the 60thparallel. Data collection occurred during the fall months from 2008 to 2016. Respective First Nations were involved in the planning and implementation of data collection for the five principal components: household interviews, tap water sampling for metals, surface water sampling for pharmaceuticals, hair sampling for mercury, and traditional food sampling for contaminants. Results A total of 6487 adults from 92 First Nations participated in the Study (participation rate 78%). A higher percentage of females (66%) participated than males (34%). The average age of males and females was similar (44 and 45 years, respectively). This study offers a novel body of coherent and regionally representative evidence on the human dimension of the ongoing environmental degradation affecting First Nations. Conclusion FNFNES serves as a good example of participatory research. We encourage public health professionals to develop policy and programs building on the participatory dimension of the research as well as on its results. The information collected by the FNFNES is also important for community empowerment, environmental stewardship and the general promotion of good health by and for First Nations peoples in Canada.
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 | 0,126 | 0,061 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,006 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».