Engaging healthcare providers and patients on climate action through physical, emotional and social wellness
Notice bibliographique
Résumé
According to the World Health Organization, the health challenges from climate change are many and varied including: Malnutrition due to lack of quality food access. Mental health challenges in addition to severe socioeconomic challenges, through the loss of homes, jobs and needed social connections due to extreme events. Acute illness and the risk of water-borne diseases associated with lack of access to clean water. The increased risk of vector-borne diseases with warmer temperatures. Chronic illnesses associated with heat stress and pollution. Death from cardiovascular and respiratory disease, particularly among vulnerable people as temperatures rise to extreme levels. Both healthcare providers and patients must be engaged on climate change and action. While several medical training institutions are exploring opportunities to embed climate change and health education into their curricula, of importance are the holistic strategies to engage patients on climate action. The challenges are complex, and the data is overwhelming. Patients may not fully comprehend the personal implications of climate change and as citizens, may not understand their role in climate action. We suggest through the creation of a sustainable living mindset based on wellness, it is possible for healthcare providers to create a personal and emotional connection to climate action. The results from workshops with older adults are shared in this paper, demonstrating how the link to physical, emotional and social wellness, can encourage behavior change with respect to dietary and consumption practices as well as increased connection to and protection of greenspaces for health and well-being.
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 | 0,000 |
| 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 ».