Quantitative Measures Used to Evaluate Nutrition Incentive Programs in the United States: A Scoping Review
Notice bibliographique
Résumé
This scoping review aimed toidentifyquantitative measures used to evaluate nutrition incentives (NIs), highlight potential evaluation gaps, and consider implications for future NI research and evaluation efforts. NIs for fruits and vegetables (FV) aim to increase fruit and vegetable intake (FVI) and food security among households with low income. Research and evaluation efforts among NIs may vary, which limits opportunities to make meaningful comparisons across programs and understand wide-scale impact. The Joanna Briggs Institute (JBI) guidelines and thePreferred Reporting Items for Systematic Reviews and Met-Analysis extension for Scoping Reviews (PRISMA-ScR) were used. Peer-reviewed and grey literature on quantitative measures used to evaluate NIs in the United States wasidentifiedamong four bibliographic databases and webpages. Data were extracted for NI measures across levels of the NI Theory of Change (TOC), including participant-level (dietary behaviors, food security status, self-efficacy, and food purchasing behaviors), site-level (eg, brick and mortar stores, farmers markets), partner-level (eg, retailers, farmers market vendors, farmers), process-level (eg, program compliance), and community-level (eg, neighborhood food environment). 127sources were included in the scoping review. Participant-level measures (n = 105) were the mostfrequentlyreported, specifically, sociodemographic characteristics (n = 86) and foodpurchasingbehaviors (n = 72). Site-level measures (n = 71) included topics ranging from participant awareness of the program to incentive redemption and distribution, with program awareness and/orutilizationthe most used (n = 34). Process (n = 9), partner (n = 16), andcommunity measures (n = 19) were the least reported. Most sources used non-psychometrically tested measurement tools. There is a need for measures that balance rigor, feasibility in practice, and alignment with NI program goals. Our findings suggest there is potential to standardizefrequentlyused quantitative measures across NI programs. Concerted efforts toidentifyshared measures may lead to increased understanding of NIs' ability to improve food security andequitableaccess to FVs.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».