Identifying barriers and facilitators in the development and implementation of government-led food environment policies: a systematic review
Notice bibliographique
Résumé
CONTEXT: Policy-specific actions to improve food environments will support healthy population diets. OBJECTIVE: To identify cited barriers and facilitators to food environment policy (FEP) processes reported in the literature, exploring these according to the nature of the policy (voluntary or mandatory) and country development status. DATA SOURCES: A systematic search was conducted of 10 academic and 7 grey-literature databases, national websites, and manual searches of publication references. DATA EXTRACTION: Data on government-led FEPs, barriers, and facilitators from key informants were collected. DATA SYNTHESIS: The constant-comparison approach generated core themes for barriers and facilitators. The appraisal tool developed by Hawker et al. was adopted to determine the quality of qualitative and quantitative studies. RESULTS: A total of 142 eligible studies were identified. Industry resistance or disincentive was the most cited barrier in policy development. Technical challenges were most frequently a barrier for policy implementation. Frequently cited facilitators included resource availability or maximization, strategies in policy process, and stakeholder partnership or support. CONCLUSIONS: The findings from this study will strategically inform health-reform stakeholders about key elements of public health policy processes. More evidence is required from countries with human development indices ranging from low to high and on voluntary policies. SYSTEMATIC REVIEW REGISTRATION: PROSPERO registration no. CRD42018115034.
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 | 0,006 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 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 ».