Food prescribing in Canada: evidence, critiques and opportunities
Notice bibliographique
Résumé
INTRODUCTION: There is growing interest in food prescriptions, which leverage health care settings to provide patients access to healthy foods through vouchers or food boxes. In this commentary, we draw on our experiences and interest in food prescribing to provide a summary of the current evidence on this intervention model and critically assess its limitations and opportunities. RATIONALE: Food insecurity is an important determinant of health and is associated with compromised dietary adequacy, higher rates of chronic diseases, and higher health service utilization and costs. Aligning with recent discourse on social prescribing and "food is medicine" approaches, food prescribing can empower health care providers to link patients with supports to improve food access and limit barriers to healthy diets. Food prescribing has been shown to improve fruit and vegetable intake and household food insecurity, although impacts on health outcomes are inconclusive. Research on food prescribing in the Canadian context is limited and there is a need to establish evidence of effectiveness and best practices. CONCLUSION: As food prescribing continues to gain traction in Canada, there is a need to assess the effectiveness, cost-efficiency, limitations and potential paternalism of this intervention model. Further, it is necessary to assess how food prescribing fits into broader social welfare systems that aim to address the underlying determinants of food insecurity.
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 | 0,048 | 0,195 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,006 | 0,017 |
| Études des sciences et des technologies | 0,007 | 0,011 |
| Communication savante | 0,009 | 0,002 |
| Science ouverte | 0,006 | 0,003 |
| Intégrité de la recherche | 0,006 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».