Mapping Food Policy Groups
Notice bibliographique
Résumé
Over the past decades, there has been a rapid expansion in the number of Food Policy Groups (FPG) (including food policy councils, strategies, networks, and informal alliances) operating at municipal and regional levels across North America. FPGs are typically established with the intent of bringing together food systems stakeholders across private (e.g., small businesses, industry associations), public (e.g., government, public health, postsecondary institutions), and community (e.g., non-profits and charitable organizations) sectors to develop participatory governance mechanisms. Recognizing that food systems challenges are too often addressed in isolation, FPGs aim to instill integrated approaches to food related policy, programs, and planning. Despite growing interest, there is little quantitative or mixed methods research about the relationships that constitute FPGs or the degree to which they achieve cross-sectoral integration. Turning to Social Network Analysis (SNA) as an approach for understanding networked organizational relationships, we explore how SNA might contribute to a better understanding of FPGs. This paper presents results from a study of the Thunder Bay and Area Food Strategy (TBAFS), a FPG established in 2007 when an informal network of diverse organizations came together around shared goals of ensuring that municipal policy and governance supported healthy, equitable and sustainable food systems in the Thunder Bay region in Ontario, Canada. Drawing on data from a survey of TBAFS organizational members, we suggest that SNA can improve our understanding of the networks formed by FPGs and enhance their goals of cross-sectoral integration.
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 | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,014 | 0,019 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,005 |
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 ».