From laboratory to community: Three examples of moving evidence‐based physical activity into practice in Canada
Notice bibliographique
Résumé
Physical activity (PA) is important for enhancing and sustaining people's health and well-being. Although a number of efficacious PA interventions have been developed, few have been translated from research into practice. Consequently, the knowledge-to-practice gap continues to grow, leaving many individuals unable to access evidence-based PA opportunities. This gap may be particularly relevant for those who grapple with poor health due to intrapersonal, interpersonal, cultural and system-level barriers that limit their access to evidence-based PA opportunities. Implementation efforts designed to bring research into real-world settings may bridge the knowledge-to-practice gap. Yet, cultivating quality partnerships and ensuring effectiveness, methodological rigour and scalability in real-world settings can be difficult. Furthermore, researchers seldom publish examples of how they addressed these challenges and translated their evidence-based PA opportunities into practice. Herein, we describe three cases of successful PA implementation among diverse populations: (a) individuals affected by cancer, (b) adults living with prediabetes, and (c) children from under-resourced communities. Commonalities across cases include guiding theories and frameworks, the strategies to facilitate and maintain partnerships, and scalability and sustainability plans. Practical tips and recommendations are provided to spur research and translation efforts that consider implementation from the outset, ultimately ensuring that people receive the benefits PA can confer.
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 | 0,010 | 0,026 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,007 |
| Études des sciences et des technologies | 0,032 | 0,010 |
| Communication savante | 0,009 | 0,003 |
| Science ouverte | 0,005 | 0,010 |
| Intégrité de la recherche | 0,004 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».