MétaCan
Menu
Retour à la cohorte
Enregistrement W2010896896 · doi:10.3148/74.1.2013.21

Fruit and Vegetable Preferences and Intake: Among Children in Alberta

2013· article· en· W2010896896 sur OpenAlexafffundvenueabout
Yen Li Chu, Anna Farmer, Christina Fung, Stefan Kuhle, Paul J. Veugelers

Notice bibliographique

RevueCanadian Journal of Dietetic Practice and Research · 2013
Typearticle
Langueen
DomaineMedicine
ThématiqueObesity, Physical Activity, Diet
Établissements canadiensDalhousie UniversityUniversity of Alberta
Organismes subventionnairesCanada Research ChairsUniversity of AlbertaAlberta Innovates - Health Solutions
Mots-clésEnvironmental healthMedicinePsychology

Résumé

récupéré en direct d'OpenAlex

PURPOSE: The association between preference for and intake of fruits and vegetables was examined among Albertan children. METHODS: Data used were collected as part of a provincial population-based survey among grade 5 children in Alberta. Intake of two fruits and five vegetables was assessed using the Harvard food frequency questionnaire, and preference for individual fruit and vegetable items was rated using a three-point Likert-type scale. Random effects models with children nested within schools were used to test for associations between fruit and vegetable preference and intake. RESULTS: A total of 3398 children aged 10 to 11 years returned completed surveys. Children who reported a greater liking for fruits and vegetables also reported significantly (p<0.001) higher intake. On average, children who liked a food a lot ate 0.5 to 2.7 more weekly servings of the food than did children who did not like the food. CONCLUSIONS: These findings suggest that focusing on interventions designed to increase taste preference may lead to increased fruit and vegetable intake among children. Introducing children to unfamiliar fruits and vegetables through taste testing may be an effective and practical health promotion approach for improving dietary habits.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,060
Score d'incertitude au seuil0,120

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,000
Communication savante0,0010,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,039
Tête enseignante GPT0,330
Écart entre enseignants0,292 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations24
Publié2013
Routes d'admission4
Résumé présentoui

Explorer davantage

Même revueCanadian Journal of Dietetic Practice and ResearchMême sujetObesity, Physical Activity, DietTravaux en français237 207