Historical lessons for Canada’s emerging national school food policy: an opportunity to improve child health
Notice bibliographique
Résumé
School meals are one of the most successful drivers of improved health and education. In 2021, the Canadian federal government committed $1 billion over 5 years to develop a national school food policy and work towards a national school nutritious meal program. Canadian policy makers should learn from the experiences of other countries, including the United States’ National School Lunch Program. We propose 3 priority areas to maximize health improvements: (1) resisting corporatization and prioritizing health; (2) preventing stigma through universal access; and (3) ensuring cultural inclusion and appropriateness.Les repas servis à l’école sont l’un des facteurs les plus efficaces contribuant à l’amélioration de la santé et de l’éducation. En 2021, le gouvernement fédéral du Canada a débloqué un milliard de dollars sur cinq ans pour mettre en place une politique nationale en matière d’alimentation dans les écoles et pour élaborer un programme national de repas scolaires. Les décideurs canadiens devraient s’inspirer des expériences d’autres pays, en particulier du Programme de distribution de repas dans les écoles des États-Unis. Nous proposons trois secteurs prioritaires pour maximiser les effets positifs sur la santé : 1) résister à la privatisation et prioriser la santé, 2) prévenir la stigmatisation en assurant l’accessibilité universelle et 3) assurer l’inclusion et la pertinence culturelles.
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 | 0,004 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,020 | 0,014 |
| Communication savante | 0,012 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,005 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».