Evaluation of Fruit Juice Intake and Body Mass Index Within a Sample of Ontario Preschoolers
Notice bibliographique
Résumé
This study describes fruit juice consumption and associated factors for a sample of Ontario preschoolers and determines potential relationships between intake and body mass index (BMI). Secondary data analysis was conducted on growth, dietary, and demographic data collected during the validation of NutriSTEP (Nutrition Screening Tool for Every Preschooler) with 254 preschoolers, aged 3 to 5 years. Dietary data were collected through parent-completed 3-day food intake records. BMI was determined using child weight and height measurements taken by a registered dietitian. Demographic characteristics were gathered using an 8-item standardized questionnaire adapted from Statistics Canada. Bivariate analyses were performed to determine associations with juice intake, BMI category, and child, parental, and family characteristics. Almost one quarter (23.6%) of the preschoolers were at risk of being overweight or were overweight, 73.2% were within the normal range, and 3.1% were underweight. Overall, 88.1% of the children consumed 100% fruit juice during the intake period, with a mean intake of 210 ± 183.1 mL/d. Fifty-seven percent consumed more than 125 mL/d of fruit juice, and 31.1% consumed more than 250 mL/d, whereas US recommendations limit intake to 125 to 175 mL/d. No significant differences were seen in fruit juice intake among the BMI categories or with selected child, parental, or family characteristics. Consuming 100% fruit juice does not appear to be associated with preschoolers' BMI, but further longitudinal research is needed in larger, more diverse groups to confirm this finding. Meanwhile, increased parent education around appropriate beverage intake, including fruit juice, is warranted.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».