How community organisations impact health and wellbeing. A Common Health Assets (CHA) toolkit
Notice bibliographique
Résumé
Background: The Common Health Assets project, funded by the NIHR and supported by Queen’s University Innovation Zones, explored how Community Led Organisations (CLOs) improve health and wellbeing in disadvantaged areas. These community-run groups play a crucial role in addressing health inequalities but often face precarious funding and inconsistent policy support. Methods: Working with 14 CLOs across the UK, researchers used a mixed methods realist evaluation of interviews, workshops, surveys, and financial analysis, to identify “programme theories” explaining how CLOs operate and improve wellbeing. Results: Community members participation in CLO activities led to significant gains in social connectedness, mental wellbeing, and quality of life. Early improvements appeared within one month, with sustained benefits at six to twelve months. Activities such as arts, education, and outdoor engagement each contributed differently to wellbeing. CLOs also reduced reliance on frontline health and housing services. Conclusions: CLOs are vital social infrastructure that foster trust, resilience, and inclusion. To sustain their impact, policy should prioritise multi-year core funding, structured volunteer support, and long-term investment in social prescribing frameworks. These measures would protect essential community health services, strengthen preventive care, and enable CLOs to deliver enduring benefits across generations. Without secure funding and recognition, communities risk losing a proven, evidence-based mechanism for improving health and wellbeing.
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 | 0,034 | 0,038 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,008 | 0,009 |
| Communication savante | 0,013 | 0,010 |
| Science ouverte | 0,003 | 0,032 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,027 | 0,004 |
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 ».