Local Environment Action on Food project: impact of a community-based food environment intervention in Canada
Notice bibliographique
Résumé
Children are exposed to food environments that make nutrient-poor, energy-dense food cheap, readily available and heavily marketed; all conditions with potential negative impacts on diet and health. While the need for programmes and policies that improve the status of food environments is clear, greater public support is needed for governments to act. The purpose of this qualitative collective case study was to examine if community engagement in the Local Environment Action on Food (LEAF) project, a community-based food environment intervention in Alberta, Canada, could build public support and create action to promote healthy food environments. Semi-structured interviews with a purposeful sample of 26 stakeholders from 7 communities explored LEAF's impact and stakeholder experiences creating change. Data collection and analysis were iterative, following Charmaz's constant comparative analysis strategy. Participants reported environmental and community impacts from LEAF. Notably, LEAF created a context-specific tool, a Mini Nutrition Report Card, that communities used to promote and support food environment action. Further, analysis outlined perceived barriers and facilitators to creating community-level food environment action, including level of engagement in LEAF, perceived controllability, community priorities, policy enforcement and resources. Findings from this study suggest that community-based interventions, such as LEAF, can help build community capacity and reduce existing barriers to community-level food environment action. Thus, they can provide an effective method to build public awareness, demand and action for healthier food environments.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».