Opportunities and challenges for school food programs in Canada
Notice bibliographique
Résumé
As Canada works towards developing a national school food program, it is timely to examine the lessons learned from the programs of other countries. Analyzing these insights can help Canada avoid key pitfalls and replicate promising practices in program design and implementation. The Government of Canada has the advantage of learning from one of the longest standing national school food programs and our southern neighbour: the United States (U.S.). This paper distills vital lessons from the U.S. school food programs, with a focus on addressing four critical aspects: access, emphasis on health and education, funding, and program implementation. First, the U.S. experience demonstrates the significance of universal free school meals. The historical inadequacies of means-tested programs result in inefficiencies, stigma, and exclusion of students in need. Second, the paper argues for an emphasis on health and education benefits. Third, it underscores the necessity of adequate funding. Inadequate reimbursements in the U.S. have compromised meal quality and led to the food industry’s capitalization on school meals, with negative implications for children’s health. Lastly, harnessing the power of procurement and employment can stimulate local economies, create good jobs, and foster a healthier food environment. As Canada tailors its national school food program to its diverse regions and communities, it has an extraordinary opportunity to avoid the policy and program implementation errors revealed by the U.S. experience.
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,019 | 0,005 |
| Communication savante | 0,012 | 0,003 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,011 | 0,001 |
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 ».