The Africa Food Environment Research Network (FERN): from concept to practice
Notice bibliographique
Résumé
BACKGROUND: Africa is contending with unhealthy food environments that are, in part, driving increasing rates of overweight, obesity and diet-related non-communicable diseases, alongside persistent undernutrition. This current paradigm requires expanded efforts - both in the volume and nature of empirical research, as well as the tools and capacity of those who conduct it. High quality and context-relevant research supports the development and implementation of policies that create healthy food environments. AIM AND APPROACH: This paper sets out the concept of the Africa Food Environment Research Network (FERN) initiative recently established by the Measurement, Evaluation, Accountability, and Leadership Support for non-communicable diseases (NCDs) (MEALS4NCDs) prevention project. Central to the Africa FERN initiative are: 1) building research capacity for innovative food environment research in Africa; 2) improving South-South, South-North partnerships to stimulate robust food environment research and monitoring in Africa and 3) sustaining dialogue and focusing priorities around current and future needs for enhanced food environment research and monitoring in Africa. CONCLUSION: The FERN initiative presents an opportune platform for researchers in Africa and the global North to weave the threads of experience and expertise for research capacity building, collaboration and advocacy, to advance food environment research.
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 | 0,182 | 0,149 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,020 |
| Communication savante | 0,021 | 0,022 |
| Science ouverte | 0,006 | 0,024 |
| Intégrité de la recherche | 0,009 | 0,009 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,002 |
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 ».