Implementing a Rural Natural Experiment: A Protocol for Evaluating the Impacts of Food Coops on Food Consumption, Resident’s Health and Community Vitality
Notice bibliographique
Résumé
BACKGROUND: Local food environments are recognized by experts as a determinant of healthy eating. Food cooperatives (coop) can promote the accessibility to healthier foods and thus improve the health of the population, particularly in remote rural communities. OBJECTIVE: To measure the effects of implementing a food coop in a disadvantaged community with poor access to food. We have two main research questions: (1). Does the establishment of a food coop in rural areas described as food deserts have an impact on accessibility, frequency of use, food consumption, food quality, and ultimately the health of individuals? (2). Does the establishment of a food coop in rural areas described as food deserts have an impact on food security and community vitality? DESIGN: A natural experiment with a mixed pre/post method will be used. The sample is composed of households that came from geographically isolated communities (population: 215 to 885 inhabitants) which qualified as food deserts and located in rural areas of Quebec (Canada). All communities plan to open a food coop (in the years 2022-2023), and as their opening will be staggered over time, participants from communities with a new food coop (intervention) will be compared to communities awaiting the opening of their food coop (control). Data collection was carried out at three time points: (1) before; (2) 1 to 5 months after; and (3) 13 to 17 months after the opening of the coop. Questionnaires were used to measure sociodemographic variables, dietary intake, residents' health, and community vitality. Semi-structured interviews were conducted with community stakeholders. RESULTS: Few natural experiments have been conducted regarding the impact of implementing food coops. Gathering concrete data on the effectiveness and processes surrounding these interventions through natural experiments will help to quantify their impact and guide knowledge users and policymakers to make more informed decisions.
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 | 0,037 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,005 | 0,003 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,004 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,005 | 0,003 |
| Intégrité de la recherche | 0,006 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,030 | 0,006 |
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 ».