La prescription alimentaire au Canada : données probantes, critiques et possibilités
Bibliographic record
Abstract
Introduction Les prescriptions alimentaires suscitent un intérêt croissant, car elles donnent aux établissements de soins de santé les moyens d’offrir aux patients un accès à des aliments grâce à des bons alimentaires ou à des boîtes de nourriture. Dans ce commentaire, nous misons sur notre expérience et notre intérêt en matière de prescription alimentaire pour présenter un résumé des données probantes dont nous disposons sur ce modèle d’intervention et pour évaluer de manière critique ses limites et ses possibilités. Argumentaire L’insécurité alimentaire est un déterminant important de la santé. Elle est associée à des carences nutritionnelles, à des taux élevés de maladies chroniques et à une utilisation et des coûts plus élevés des services de santé. Dans la lignée des propos récents sur la prescription sociale et les approches selon lesquelles « l’aliment est un médicament », la prescription alimentaire peut donner la possibilité aux fournisseurs de soins de santé d’aiguiller des patients vers des services de soutien en vue d’améliorer leur accès aux aliments et de réduire les obstacles à une alimentation saine. Il a été prouvé que la prescription alimentaire augmente la consommation de fruits et légumes et réduit l’insécurité alimentaire des ménages, bien que les effets sur les résultats en matière de santé ne soient pas concluants. La recherche sur la prescription alimentaire en contexte canadien est limitée et nous avons besoin de preuves d’efficacité ainsi que de pratiques exemplaires. Conclusion À mesure que la prescription alimentaire gagne en popularité au Canada, il est nécessaire d’évaluer l’efficacité, la rentabilité, les limites et le paternalisme possible de ce modèle d’intervention. Il faut en outre évaluer la manière dont la prescription alimentaire s’intègre aux systèmes de protection sociale plus généraux qui visent à s’attaquer aux déterminants sous-jacents de l’insécurité alimentaire.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.025 | 0.106 |
| Meta-epidemiology (narrow) | 0.000 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.014 |
| Science and technology studies | 0.006 | 0.003 |
| Scholarly communication | 0.008 | 0.002 |
| Open science | 0.003 | 0.002 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.011 | 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; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
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".