Multisectoral partnerships to tackle complex health issues at the community level: lessons from a Healthy Communities Approach in rural Alberta, Canada
Notice bibliographique
Résumé
SETTING: Health inequities exist in rural communities across Canada, as rural residents are more likely than their urban counterparts to experience injuries, chronic conditions, obesity, and shorter life expectancy. Cooperative and coordinated action across sectors is required to both understand and address these complex public health issues. INTERVENTION: The Alberta Healthy Communities Approach (AHCA) is based on the values and core building blocks of the Healthy Communities Approach, a framework centred on building community capacity to support community-led actions on the determinants of health. Adaptations within the AHCA focused on implementation mechanisms with a 5-step process and supporting implementation and assessment tools for multisectoral team building. Local measurement of change was enhanced and focused on community capacity and multisectoral action stages. Between 2016 and 2019, the AHCA was piloted with 15 rural communities across Alberta with population sizes ranging from 403 to 15,051 people. OUTCOMES: While communities piloting the AHCA ranged in the level of diversity of their coalition membership and partnerships, members' reflections demonstrate that intentional engagement with diverse citizens and sectors is pivotal to collaboratively identifying local assets and priorities and mobilizing cross-sectoral action that will sustainably improve supportive environments for cancer and chronic disease prevention. IMPLICATIONS: Engaging across sectors, building partnerships, and establishing a multisectoral team increase diversity and can catalyze community-led prioritization and actions for asset-based community development. An increase in diversity may lead to increased investment and sustainability at the community level.
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 | 0,017 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,016 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».