Pool of items to measure Primary Health Care workers’ knowledge on healthy eating
Notice bibliographique
Résumé
OBJECTIVE: To develop and validate a self-applicable instrument for measuring primary health care (PHC) workers' knowledge on healthy eating. METHODS: A six-step methodological study to develop and validate a measurement instrument: item development based on the Brazilian Dietary Guidelines' chapters; content validation with a panel of experts; face validation with potential instrument users; online instrument reevaluation by participants of the content and face validation panels; online application of the instrument with PHC workers; confirmatory factor analysis for construct validation. RESULTS: A first version with 25 items underwent content and semantic changes in the content and face validation panels, being reorganized into a second version with 22 items. In the reevaluation, participants considered 21 questions to be clear and representative of the Brazilian Dietary Guidelines, with one being excluded. This third version of the instrument underwent confirmatory factor analysis after being applied online with 209 PHC workers from all Brazilian macroregions. We excluded five items in this analysis: four due to bivariate empty cells and one due to low discrimination capacity. The final model, with 16 items loaded onto one dimension, returned good fit indices [χ2(104) = 119.047, p = 0.1486; RMSEA = 0.026 (90% CI = 0.000 to 0.046), Cfit = 0.979; CFI = 0.924; TLI = 0.913]; its information peak was below average. CONCLUSIONS: The instrument proved to be valid and accurate for assessing PHC workers with below average knowledge of the Brazilian Dietary Guidelines. It might contribute to improving actions to promote healthy eating in Brazilian PHC settings by identifying the need for training health professionals.
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 | 0,003 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».