MétaCan
Menu
Retour à la cohorte
Enregistrement W6907835053 · doi:10.25384/sage.c.5996737.v1

Implementation Strategies to Support Built Environment Approaches in Community Settings

2022· other· en· W6907835053 sur OpenAlexaff

Notice bibliographique

RevueSage Journals Data · 2022
Typeother
Langueen
Domaine
Thématique
Établissements canadiensPopulation Health Research Institute
Organismes subventionnairesnon disponible
Mots-clésBuilt environmentFocus groupProcess (computing)Grounded theoryPerceptionFocus (optics)

Résumé

récupéré en direct d'OpenAlex

BackgroundBuilt environment approaches are recommended to improve population physical activity levels. Implementation strategies are needed to improve uptake, but little is known about effective strategies to translate research to practice in community settings.PurposeInform implementation strategies through understanding delivery agents’ perceptions of (1) built environment approaches, (2) a toolkit developed to support implementation, and (3) other required implementation strategies.MethodA toolkit was developed to detail the process of partnering to change the built environment and provide examples of built environment approaches (e.g., walking paths, traffic calming). Data were collected through focus groups (N = 3) with Extension Agents (n = 46) in 2020. The semi-structured focus group script was based on the Consolidated Framework for Implementation Research and the Technology Acceptance model. Rapid content analysis techniques and a deductive, grounded theory approach were used to interpret the data. Results. Focus groups generated meaning units coded into themes of perceptions of the intervention (subthemes: barriers, resources needed, and facilitators) and perceptions of the toolkit (subthemes: components to add, positive perceptions, and helpful components). The most common resources needed were coalition guidance and funding.ConclusionAgents experience barriers and facilitators to implementing built environment approaches and have specific needs for support. Based on the results, we created implementation strategies: (1) Places for Physical Activity toolkit, (2) Coalition Coaching, and (3) Mini-Grants. Future work is needed to investigate the effectiveness of these implementation strategies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,030
score de la tête « metaresearch » (Gemma)0,049
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Autre · Signal consensuel: aucune
Score de désaccord entre enseignants0,030
Score d'incertitude au seuil0,160

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0300,049
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0040,002
Communication savante0,0040,005
Science ouverte0,0030,011
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0160,002

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.

Tête enseignante Opus0,194
Tête enseignante GPT0,384
Écart entre enseignants0,190 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreAutre

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2022
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueSage Journals DataTravaux en français237 207