Eating Right: Linking Food‐Related Decision‐Making Concepts From Neuroscience, Psychology, and Education
Notice bibliographique
Résumé
ABSTRACT This literature review uses four dimensions to classify and compare how food‐related decision‐making is conceptualized and experimentally assessed in neuroscience and other disciplines: (1) food‐related decision‐making other than the decision of what to eat that is part of each eating episode, (2) decision complexes other than the eating episode itself, (3) the evolution of food‐related decision‐making over time, and (4) the nature of food related decisions. In neuroscience in particular, food‐related decision‐making research has been dominated by studies exploring the influence of a wide range of factors on the final outcome, the type and amount of foods eaten. In comparison, the steps that are leading up to this outcome have only rarely been discussed. Neuroscientists should broaden their historically narrow conceptualization of food‐related decision‐making. Then neuroscience research could help group the numerous hypothesized influences for each of the decision complexes into meaningful clusters that rely on the same or similar brain mechanisms and that thus function in similar ways. This strategy could help researchers improve existing broad models of human food‐related decision‐making from other disciplines. The integration of neuroscientific and behavioral science approaches can lead to a better model of food‐related decision‐making grounded in the brain and relevant to the design of more effective school and nonschool lifestyle interventions to prevent and treat obesity in children, adolescents, and adults.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,006 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».