Methods of defining best practice for population health approaches with obesity prevention as an example
Notice bibliographique
Résumé
Childhood obesity has reached a crisis stage and has become a population health issue. The few traditional systematic reviews that have been done to identify best practice provide little direction for action. The concept of evidence-based practice has been adopted in health care, and in medicine in particular, to determine best practice. Evidence-based medicine has its origins in the scientific method and for many researchers this concept means strict adherence to standards determining internal validity in order to justify a practice as evidence based. Practitioners addressing population health face challenges in identifying criteria for determining evidence, in part because of the nature of population health with its goal of shifting the health of whole populations. As well, the type of evidence provided by more traditional critical appraisal schema is limiting. Expanded approaches in finding and defining evidence have been proposed that use: expert panels; broad and inclusive search and selection strategies; appraisal criteria that incorporate context and generalizability. A recent synthesis of 147 programmes addressing childhood overweight and obesity provides a concrete example of using a broader approach to identify evidence for best practice (Flynn et al.2006). Incorporating evaluation and population health frameworks as criterion components in addition to traditional methodological rigour criteria, this synthesis has identified programmes that provide contextual information that can be used to populate what Swinburn et al. (2005) have described as the ‘promise table’. Using this approach a range in ‘certainty of effectiveness’ and a range in ‘potential for population impact’ are integrated to identify promising strategies. The exercise can provide direction for agencies and practitioners in taking action to address obesity.
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 | 0,001 | 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 | 0,001 |
| 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 ».