Ausbildung zu settingorientierter Gesundheitsförderung im D|A|CH-Raum gemeinsam weiterentwickeln : Perspektiven aus Ausbildung, Forschung, Praxis und Policy
Bibliographic record
Abstract
Ausbildung in settingorientierter Gesundheitsförderung (GF-Ausbildung) ist eine Voraussetzung für Capacity Building und damit qualitätsgesicherter GF-Praxis. Sie hat das Potenzial einen Beitrag zur Stärkung gesundheitlicher Chancengerechtigkeit und planetarer Gesundheit zu leisten. Ausgehend von der Ottawa-Charta fand im D|A|CH-Raum eine Professionalisierung von GF-Ausbildung statt. Studien zeigen jedoch ein diverses Bild bezüglich Lehrinhalte, Ausbildungsformen und Akteur:innen mit unterschiedlichen professionellen Hintergründen. Parallel zeichnet sich einerseits eine Spezialisierung der GF als Berufsbild ab und andererseits eine Generalisierung der GF innerhalb bestehender Gesundheits- und Sozialberufe. Dabei stellt sich die Frage, wie gesundheitliche Chancengerechtigkeit und die planetare Gesundheit stärker in die unterschiedlichen GF-Ausbildungen integriert werden können. Im Rahmen von Thementischen wurden Teilnehmende eingeladen, zu diskutieren, wie die GF-Ausbildung im DIAICH-Raum weiterentwickelt werden kann, um die Qualität in der Praxis zu unterstützen. Einleitend fanden drei Impulsvorträge anhand von Postern zum Status quo und zu aktuellen Entwicklungen im Bereich der GF-Ausbildung aus den drei Ländern statt. Anschließend wurden folgende Fragen aus den Perspektiven Ausbildung, Forschung, Praxis und Policy diskutiert: Wie sieht der Status quo zu GF-Ausbildung im D|A|CH-Raum aus? Wie gelingt die Integration gesundheitlicher Chancengerechtigkeit und planetarer Gesundheit in GF-Ausbildungen? Es wurden potentielle Synergien sichtbar gemacht, sowie Handlungsstrategien zur gemeinsamen Weiterentwicklung identifiziert. Einen geeigneten Rahmen für die weitere Arbeit an dem Thema Ausbildung zu settingorientierter GF bietet das Treffen des DIAICH Netzwerks in Gesundheitsförderung, welches am 20. und 21. September in Winterthur stattfindet. Weitere Interessierte sind hierzu herzlich eingeladen. Im Folgenden sind die Poster der drei Länder ersichtlich.
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 | 0.017 | 0.029 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.008 | 0.009 |
| Scholarly communication | 0.014 | 0.012 |
| Open science | 0.002 | 0.015 |
| Research integrity | 0.005 | 0.008 |
| Insufficient payload (model declined to judge) | 0.025 | 0.004 |
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".