Evaluation of an intervention limiting food industry influence on public food policy processes in Ghana
Notice bibliographique
Résumé
This study evaluates the immediate effect of an educational intervention implemented among key policy actors in Ghana. The intervention focused on creating awareness and increasing competencies for countering food industry public food policy dilution strategies. The intervention was evaluated using a before-and-after design, collecting self-reported awareness, appropriateness, competencies, and skill level rating, and using frequencies, percentages, and non-parametric testing (Wilcoxon rank-sum test, with alpha set at 0.05) to report results. Thirty policy actors attended the workshop, but 23 and 17 participated in the evaluation (pre- and post-workshop, respectively). Most (82%) were health experts, with about 48% reporting two decades or more of professional experience. Before the intervention, policy actors reported receiving job offers, promotional material, and sponsored travel from the food industry. After the workshop, policy actors' overall mean appropriateness level rating of such strategies decreased (from 2.60 ± 0.87 to 1.95 ± 0.81; P = 0.013). Policy actors' overall awareness level rating of food industry using such strategies to influence public food policies increased after the workshop (from 4.27 ± 0.55 to 4.38 ± 0.59; P = 0.657). Similarly, their overall mean competencies and skill level rating for recognizing and countering public food policy dilution strategies increased (from 2.70 ± 0.54 to 3.13 ± 0.41; P = 0.012). The findings show the potential of an educational workshop serving as a preemptive intervention to protect public food policies from industry influence, and for such interventions to be incorporated into national food policy development processes.
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 | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».