Tools and resources used to support implementation of workplace healthy food and drink policies: A scoping review of grey literature
Notice bibliographique
Résumé
AIMS: This study aimed to identify and evaluate tools and resources used to support the implementation of workplace healthy food and drink policies, primarily in Australia and New Zealand. METHODS: A scoping grey literature review included searches of government agencies and non-governmental organisations' websites in six English-speaking countries, public health nutrition intervention databases and Google search engine queries. Paper-based and digital tools were included if they were written in English, referred to within a policy or on a policy's website, and primarily targeting supply-side stakeholders. Tools were evaluated on two domains: 'Features' (summarised descriptively) and 'Usability and Quality' (with inter-rater reliability scores calculated using an intraclass correlation coefficient). RESULTS: Twenty paper-based tools were identified relating to Australian (n = 14) and New Zealand (n = 6) policies, and a further six digital tools were identified from Australia (n = 3) and Canada (n = 3). Target audiences included workplace managers, food providers and suppliers. The paper-based tools focused on general implementation guidance. In contrast, digital tools tended to support specific elements of policy implementation. 'Usability and Quality' scores ranged from 2.9 to 4.5 (out of 5.0) for paper-based tools, and 3.9 to 4.2 for digital tools, with a moderate agreement between reviewer scores (intraclass correlation coefficient 0.523, p = 0.010). CONCLUSIONS: A range of tools have been developed to support the implementation of workplace healthy food and drink policies. Understanding the strengths and limitations of current tools will assist in developing improved aids to support policy implementation.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».