Food patterns and socioeconomic indicators of food consumption amongst Inuvialuit in the Canadian Arctic
Notice bibliographique
Résumé
BACKGROUND: Inuvialuit in the Canadian Arctic have been experiencing a nutrition transition resulting in a decrease in nutrient-dense food consumption, which may, in part, explain this population's increasing chronic disease rates. Because the available literature is limited, the present study aimed to document the extent of this transition by examining current dietary patterns and socioeconomic factors affecting food group consumption. METHODS: This cross-sectional study was conducted in three Inuvialuit communities in the Northwest Territories between 2007 and 2008. A validated food frequency questionnaire determined intake frequency of fruit and vegetables (FV), traditional foods (TF) and non-nutrient-dense foods (NNDF). Socioeconomic status (SES) was assessed by questions on education, ownership of items in working condition used to create a Material Style of Life (MSL) scale and residents in household employed/on income support. Daily intake frequencies were compared by gender and age group using Wilcoxon rank sum test. SES association with food group intake was determined using logistic regression. RESULTS: The response rate was 65-85%. One hundred and seventy-five participants were female and 55 were male, aged 19-84 years [mean (SD) 44 (14)]. Mean frequencies of FV and TF consumption were 1.6 (1.5) and 1.6 (1.7) times per day, respectively. NNDF were reported 9.2 (3.0) times per day. The highest MSL score (>12) was significantly associated with higher fruit (≥0.7 times per day) and higher TF intake (≥1.1 times per day) compared with the lowest score (≤7). An intermediate MSL score (8-12) was related to higher vegetable consumption (≥0.4 times per day). CONCLUSIONS: NNDF were consumed approximately seven times more frequently than TF in the present study, indicating that the dietary transition is well underway amongst Inuvialuit. Participants with higher SES were more likely to consume nutrient-dense foods, suggesting possible cost barriers.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».