Nutrition modeling tools: a qualitative study of influence on policy decision making and determining factors
Notice bibliographique
Résumé
Nutrition modeling tools (NMTs) generate evidence to inform policy and program decision making; however, the literature is generally limited to modeling methods and results, rather than use cases and their impacts. We aimed to document the policy influences of 12 NMTs and identify factors influencing them. We conducted semistructured interviews with 109 informants from 30 low- and middle-income country case studies and used thematic analysis to understand the data. NMTs were mostly applied by international organizations to inform national government decision making. NMT applications contributed to enabling environments for nutrition and influenced program design and policy in most cases; however, this influence could be strengthened. Influence was shaped by processes for applying the NMTs; ownership of the analysis and data inputs, and capacity building in NMT methods, encouraged uptake. Targeting evidence generation at specific policy cycle stages promoted uptake; however, where advocacy capacity allowed, modeling was embedded ad hoc into emerging policy discussions and had broader influence. Meanwhile, external factors, such as political change and resource constraints of local partner organizations, challenged NMT implementation. Importantly, policy uptake was never the result of NMTs exclusively, indicating they should be nested persistently and strategically within the wider evidence and advocacy continuum, rather than being stand-alone activities.
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 | 0,032 | 0,045 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,009 | 0,010 |
| Communication savante | 0,006 | 0,007 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».