Improving public health data collection approaches across populations: findings from a national evaluation of fruit and vegetable incentives
Notice bibliographique
Résumé
OBJECTIVE: Public health approaches for addressing diet-related health in the USA include nutrition incentive (NI) and produce prescription (PPR) projects. These projects, funded through the US Department of Agriculture Gus Schumacher Nutrition Incentive Program (GusNIP), aim to support the intake of fruits and vegetables through healthy food incentives. Measuring the GusNIP impact is vital to assessing the ability of incentives to improve public health nutrition outcomes across populations. Shared measures used across GusNIP projects assess fruit and vegetable intake, food security and demographics, among other variables, through a participant survey. This study explored challenges and opportunities to evaluation across populations within a national public health oriented program, GusNIP. DESIGN: This qualitative study used a sociodemographic survey, semi-structured interviews and focus groups. Descriptive statistics were used to summarise survey data, and applied thematic analysis was used to identify patterns in interview and focus group data. SETTING: Data collection occurred in the USA virtually using Qualtrics and Zoom from fall 2021 to fall 2022. PARTICIPANTS: Eighteen GusNIP PPR and NI data collectors, twenty-four external evaluators and eleven GusNIP National Training, Technical Assistance, Evaluation, and Information Center staff participated. RESULTS: Opportunities to improve evaluation among GusNIP's participants include tailoring surveys to specific subpopulations, translations, culturally appropriate food examples, avoiding stigmatising language, using mixed methods and intentional strategies to enhance representation. CONCLUSION: To increase applicability of data collection in public health programs, evaluation tools must reflect the experiences across populations. This study provides insights that can guide future NI, PPR and public health evaluations, helping to more effectively measure and understand outcomes of all 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 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 | 0,357 | 0,385 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,003 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,003 | 0,008 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».