MétaCan
Menu
Retour à la cohorte
Enregistrement W2075960121 · doi:10.1111/0272-4332.212113

Socioeconomic Determinants of Health‐ and Food Safety‐Related Risk Perceptions

2001· article· en· W2075960121 sur OpenAlexafffund
Donna Dosman, Wiktor Adamowicz, Steve E. Hrudey

Notice bibliographique

RevueRisk Analysis · 2001
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Safety and Hygiene
Établissements canadiensUniversity of Alberta
Organismes subventionnairesSocial Sciences and Humanities Research Council of Canada
Mots-clésSocioeconomic statusBivariate analysisRespondentMultivariate analysisAffect (linguistics)Multivariate statisticsEnvironmental healthPsychologyPerceptionSocial determinants of healthSocial psychologyEconomicsMedicineHealth careStatisticsPolitical scienceMathematicsPopulationEconomic growth

Résumé

récupéré en direct d'OpenAlex

Individual and societal perceptions of food-related health risks are multidimensional and complex. Social, political, psychological, and economic factors interact with technological factors and affect perceptions in complex ways. Previous research found that the significant determinants of risk perceptions include socioeconomic and behavioral variables. Most of these past results are based on two-way comparisons and factor analysis. The objective of this study was to analyze the significance of socioeconomic determinants of risk perceptions concerning health and food safety. A multivariate approach was used and the results were compared with earlier bivariate results to determine which socioeconomic predictors were robust across methods. There were two major findings in this study. The first was that the results in the multivariate models were generally consistent with earlier bivariate analysis. That is, variables such as household income, number of children, gender, age, and voting preferences were strong predictors of an individual's risk perceptions. The second result was that the gender of the respondent was the only variable found to be robust across all three classes of health and food safety issues across two time periods.

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)0,001
score de la tête « metaresearch » (Gemma)0,006
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 enseignants0,004
Score d'incertitude au seuil0,014

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,006
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,000
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,013
Tête enseignante GPT0,236
Écart entre enseignants0,223 · 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

Citations381
Publié2001
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueRisk AnalysisMême sujetFood Safety and HygieneTravaux en français237 207