What is the best set of indices/indicators for evaluating “health promotion governance” in health systems? A proposed methodology for health promotion decision-making
Notice bibliographique
Résumé
We aimed to identify the indices/indicators needed for assessing health promotion governance in health systems. Data were obtained from a literature review, a modified Delphi process, and an Analytic Hierarchy Process (AHP). The study was conducted from May 2021 to January 2022 using a multi-method design comprised of four sequential stages: (1) a comprehensive literature review for identifying the health promotion indices/indicators originating from the Ottawa Charter’s action areas; (2) a 3-round Delphi survey to identify, by consensus, which of those indices/indicators would be relevant to the health promotion governance in the health system;(3) Analytic Hierarchy Process technique (AHP) to prioritize the selected indices/indicators; (4) presenting the results of AHP to a group of the health promotion specialists of the selected experts to selecting other indices/indicators if necessary. Health literacy was considered the most important index to assess health promotion governance from experts’ perspectives. The per capita public health expenditure was supposed to be the second most important indicator. The indices ranked third and fourth in priority were the health equality and urban health indexes, respectively. The health promotion specialists selected three other indices: the number of policies changed due to advocacy, social capital, and positive health. Based on the results, a series of essential indices/indicators have been proposed depending on the study’s purpose, which can help health system policymakers and managers to assess the health promotion governance in the health system.
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 | 0,071 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».