Why we struggle to make progress in obesity prevention and how we might overcome policy inertia: Lessons from the complexity and political sciences
Notice bibliographique
Résumé
Despite evidence for the effectiveness of policies that target obesogenic environments, their adoption remains deficient. Using methods and concepts from complexity and political science (Stock-and-Flow analysis and Punctuated Equilibrium Theory) and a qualitative literature review, we developed system maps to identify feedback loops that hinder policymaking on mitigating obesogenic environments and feedback loops that could trigger and sustain policy change. We found numerous self-reinforcing feedback loops that buttress the assumption that obesity is an individual problem, strengthening the biomedical and commercial weight-loss sectors' claim to "ownership" over solutions. That is, improvements in therapies for individuals with obesity reinforces policymakers' reluctance to target obesogenic environments. Random events that focus attention on obesity (e.g., celebrities dismissing soda) could disrupt this cycle, when actors from outside the medical and weight-loss sector (e.g., anti-weight stigma activists) successfully reframe obesity as a societal problem, which requires robust and politically relevant engagement with affected communities prior to such events taking place. Sustained prioritization of policies targeting obesogenic environments requires shared problem ownership of affected communities and nonhealth government sectors, by emphasizing cobenefits of policies that target obesogenic environments (e.g., ultraprocessed food taxation for raising revenue) and solutions that are meaningful for affected communities.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 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 ».