Bibliographic record
Abstract
Gesundheit ist keine Selbstverständlichkeit, sondern wird von Verhältnissen in der Umwelt, gesellschaftlichen Bedingungen, den psycho-physischen Voraussetzungen eines Individuums sowie individuellem Verhalten beeinflusst. Sie lässt sich daher laut der Ottawa Charta am besten dort fördern, wo Individuen arbeiten und leben, also in deren alltäglichen Lebenswelt, in sogenannten Settings (BMG nd). Um gesundheitsförderliche Initiativen zu verbinden, die Verbreitung von Kriterien der Qualitätssicherung ebenso wie den Austausch zu fördern, rief man gesundheitsfördernde settingbezogene Netzwerke ins Leben. Wenngleich derartige Netzwerke auch in Österreich seit dem Ende der 1980er Jahre bestehen, fand bisher kaum systematische Forschung zu diesem Themenbereich statt. Die vorliegende Arbeit will daher einen ersten Einblick in das Feld gesundheitsfördernder settingbezogener Netzwerke bieten und Gemeinsamkeiten bzw. Unterschiede beleuchten. Für den empirischen Teil dieser Masterarbeit wurden im Zeitraum von Dezember 2011 bis März 2012 acht qualitative Expertinnen-/Experteninterviews mit Vertreterinnen/Vertretern österreichischer settingbezogener Gesundheitsförderungsnetzwerke sowie des FGÖs und des Hauptverbandes der österreichischen Sozialversicherungsträger geführt. Die Auswertung des gewonnenen Datenmaterials erfolgte mittels inhaltlich strukturierender Inhaltsanalyse nach Mayring (2000). Das gewählte Verfahren geht bei der Kategorienbildung sowohl induktiv als auch deduktiv vor. Die Hauptkategorien der Analyse – Struktur, Ziele und Mitgliedschaft – entstammen daher der soziologischen Organisations- und Netzwerktheorie. Die Analyse des gewonnen Datenmaterials zeigte, dass zwischen den untersuchten Netzwerken erhebliche Unterschiede, aber auch viele Parallelen bestehen. So verfügen alle Netzwerke über eine zentrale Koordinationsstelle bzw. Steuergruppe, in der in den meisten Fällen auch relevante Stakeholder vertreten sind. Die größten Gemeinsamkeiten ließen sich im Hinblick auf die Ziele der Netzwerke ausmachen: Jedes der sechs Netzwerke ist bestrebt, die Implementierung von Gesundheitsförderung im jeweiligen Setting zu fördern, den Informationsfluss zwischen den einzelnen Mitgliedern zu unterstützen und das Thema Gesundheitsförderung auch im öffentlichen Diskurs zu verankern. Bei ihrer Tätigkeit sehen sich die Netzwerke mit zahlreichen Herausforderungen konfrontiert, die vielfach den besonderen Bedingungen und Strukturen der einbezogenen Settings entspringen. Mit der Schwierigkeit, Gesundheitsförderung langfristig, flächendeckend und qualitätsvoll umzusetzen sowie fehlenden personellen bzw. finanziellen Ressourcen sehen sich jedoch alle untersuchten Netzwerke konfrontiert.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.001 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".