Exploring barriers and enablers to the delivery of Making Every Contact Count brief behavioural interventions in Ireland: A cross‐sectional survey study
Notice bibliographique
Résumé
Abstract Objectives The public health impact of the Irish Making Every Contact Count (MECC) brief intervention programme is dependent on delivery by health care professionals. We aimed to identify enablers and modifiable barriers to MECC intervention delivery to optimize MECC implementation. Design Online cross‐sectional survey design. Methods Health care professionals ( n = 4050) who completed MECC eLearning were invited to complete an online survey based on the Theoretical Domains Framework (TDF). Multiple regression analysis identified predictors of MECC delivery (logistic regression to predict delivery or not; linear regression to predict frequency of delivery). Data were visualized using Confidence Interval‐Based Estimates of Relevance (CIBER). Results Seventy‐nine per cent of participants ( n = 283/357) had delivered a MECC intervention. In the multiple logistic regression (Nagelkerke's R 2 = .34), the significant enablers of intervention delivery were ‘professional role’ (OR = 1.86 [1.10, 3.15]) and ‘intentions/goals’ (OR = 4.75 [1.97, 11.45]); significant barriers included ‘optimistic beliefs about consequences’ (OR = .41 [.18, .94]) and ‘negative emotions’ (OR = .50 [.32, .77]). In the multiple linear regression ( R 2 = .29), the significant enablers of frequency of MECC delivery were ‘intentions/goals’ ( b = 10.16, p = .02) and professional role ( b = 6.72, p = .03); the significant barriers were ‘negative emotions’ ( b = −4.74, p = .04) and ‘barriers to prioritisation’ ( b = −5.00, p = .01). CIBER analyses suggested six predictive domains with substantial room for improvement: ‘intentions and goals’, ‘barriers to prioritisation’, ‘environmental resources’, ‘beliefs about capabilities’, ‘negative emotions’ and ‘skills’. Conclusion Implementation interventions to enhance MECC delivery should target intentions and goals, beliefs about capabilities, negative emotions, environmental resources, skills and barriers to prioritization.
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 | 0,006 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».