Contextual Factors Influencing the Adoption of Physical Activity Direct Education and Policy, Systems, and Environmental Change Initiatives by Virginia EFNEP and SNAP-Ed Staff
Notice bibliographique
Résumé
OBJECTIVE: To explore factors influencing the adoption of direct education programs and policy, systems, and environmental (PSE) change initiatives focused on physical activity for Supplemental Nutrition Assistance Program-eligible audiences by Virginia Expanded Food and Nutrition Education Program and Supplemental Nutrition Assistance Program-Education (SNAP-Ed) staff. METHODS: Online survey with Expanded Food and Nutrition Education Program and SNAP-Ed peer (paraprofessional) educators (n = 28) and SNAP-Ed agents (master of science level) (n = 9) in Virginia. Descriptive statistics were computed for sociodemographic characteristics and responses to questions on the basis of Likert-type scales. Exploratory factor analyses were run to identify the underlying structures of the different variables. RESULTS: The main factors for peer educators were related to substituting nutrition programs or content for physical activity programs. Other factors included staff qualifications and expectations about leading vs teaching physical activities. For PSEs, the top factors were the capacity to reach many community members, attract new partners and stakeholders, and personal interest in the PSE. CONCLUSIONS AND IMPLICATIONS: The results provide insight into potential barriers and motivators for adopting physical activity education and PSEs within community-based initiatives and can be used to inform program planning and staff training. Additional research is warranted to examine other factors influencing the adoption and implementation of physical activity programs and PSEs.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».