Implementation Strategies to Support Built Environment Approaches in Community Settings
Notice bibliographique
Résumé
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 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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,003 | 0,005 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,278 | 0,002 |
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.
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».