Citizen science in monitoring food environments: a qualitative collective case study of stakeholders’ experiences during the Local Environment Action on Food project in Alberta, Canada
Notice bibliographique
Résumé
BACKGROUND: Citizen science bears potential to build a comprehensive view of global food environments and create a broader discussion about how to improve them. Despite its potential, citizen science has not been fully utilised in food environment research. Thus, we sought to explore stakeholders' experiences of the Local Environment Action on Food (LEAF) project, a community-based intervention that employs a citizen science approach to monitoring food environments. METHODS: We used a qualitative collective case study design to explore citizen science through the LEAF process in seven communities in Alberta, Canada. Data generating strategies included semi-structured interviews with citizen scientists (n = 26), document review of communities' Mini Nutrition Report Cards (n = 7), and researcher observation. Data were analyzed in a multi-phase process, using Charmaz's constant comparison analysis strategy. RESULTS: Analysis revealed two main themes: relationship building and process factors. Communities used three interconnected strategies, engaging the right people, treading lightly, and reaching a consensus, to navigate the vital but challenging relationship building process. Process factors, which were influences on the LEAF process and relationship building, included the local context, flexibility in the LEAF process, and turnover among LEAF community groups. CONCLUSION: Citizen science through the LEAF project supported the creation and application of food environment evidence: it enabled residents to collect and interpret local food environment data, develop realistic recommendations for change, and provided them with an evidence-based advocacy tool to support the implementation of these recommendations. We recommend a web application that enables independent community food environment assessments. Such a tool could stimulate and sustain citizen involvement in food environment efforts, helping to build the necessary evidence base and promote the creation of healthy food environments.
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 | 0,007 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,035 | 0,013 |
| Communication savante | 0,005 | 0,002 |
| Science ouverte | 0,003 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».