Identifying effective behaviour change techniques in interventions for enhancing the implementation of school-based policies and/or practices to prevent chronic disease in students: a secondary analysis of a systematic review
Notice bibliographique
Résumé
ABSTRACT School-based interventions can improve healthy eating, physical activity, and reduce tobacco, and/or alcohol use in students. Strategies to support implementation of these interventions have been found effective. However, a comprehensive understanding of the underlying active ingredients (e.g. behaviour change techniques (BCTs)) of this broad range of interventions remains unclear. This study aimed to describe and examine which BCTs within implementation strategies are linked to increased implementation of school-based interventions targeting healthy eating, physical activity, tobacco and/or alcohol use in students aged 5-18. A secondary analysis was conducted on 39 randomised controlled trials (RCTs) from a 2024 Cochrane review. Individual BCTs within the interventions and their implementation strategies were coded using the BCT taxonomy v1 and mapped to the Behaviour Change Technique Ontology (BCTO). Mode of delivery, setting, and source were also coded. Meta-regressions using random-effect models assessed the associations between identified BCTs (at the highest level of aggregation of the BCTO) and effective implementation of policies and/or practice (e.g. number of curriculum lessons taught) (PROSPERO: CRD42024569354). Eighty-four unique BCTs were identified and meta-regression analysis revealed that out of 14 highest level of aggregation BCTs, only one BCT, Associative learning (e.g. Prompt intended action) had a statistically significant association with increased implementation (standard mean difference 0.90, 95% confidence interval 0.08, 1.72; 30 trials). This suggests Associative learning BCTs could be prioritised in future school-based interventions to increase their implementation to address related implementation barriers. Opportunity remains to operationalise and evaluate underrepresented BCTs as part of novel implementation strategies in future studies.
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 | 0,074 | 0,158 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,011 | 0,025 |
| Bibliométrie | 0,013 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».