Predictors of trips to food destinations
Notice bibliographique
Résumé
BACKGROUND: Food environment studies have focused on ethnic and income disparities in food access. Few studies have investigated distance travelled for food and did not aim to inform the geographic scales at which to study the relationship between food environments and obesity. Further, studies have not considered neighborhood design as a predictor of food purchasing behavior. METHODS: Atlanta residents (N = 4800) who completed a travel diary and reported purchasing or consuming food at one of five food locations were included in the analyses. A total of 11,995 food-related trips were reported. Using mixed modeling to adjust for clustering of trips by participants and households, person-level variables (e.g. demographics), neighborhood-level urban form measures, created in GIS, and trip characteristics (e.g. time of day, origin and destination) were investigated as correlates of distance travelled for food and frequency of grocery store and fast food outlet trips. RESULTS: Mean travel distance for food ranged from 4.5 miles for coffee shops to 6.3 miles for superstores. Type of store, urban form, type of tour, day of the week and ethnicity were all significantly related to distance travelled for food. Origin and destination environment, type of tour, day of week, age, gender, income, ethnicity, vehicle access and obesity status were all significantly related to visiting a grocery store. Home neighborhood environment, day of week, type of tour, gender, income, education level, age, and obesity status were all significantly related to likelihood of visiting a fastfood outlet. CONCLUSIONS: The present study demonstrated that people travel sizeable distances for food and this distance is related to urban. Results suggest that researchers need to employ different methods to characterize food environments than have been used to assess urban form in studies of physical activity. Food is most often purchased while traveling from locations other than home, so future studies should assess the food environment around work, school or other frequently visited destinations, as well as along frequently traveled routes.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 ».