MétaCan
Menu
Retour à la cohorte
Enregistrement W2144403769 · doi:10.2196/mhealth.3230

FoodSwitch: A Mobile Phone App to Enable Consumers to Make Healthier Food Choices and Crowdsourcing of National Food Composition Data

2014· article· en· W2144403769 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

venuePublié dans une revue dont le pays d'attache est le Canada.
no affAucune affiliation canadienne : ce travail est invisible pour une base fondée sur la seule affiliation.
Aucune affiliation canadienne. Une base fondée sur la seule affiliation (le devis habituel) n'aurait jamais vu ce travail. C'est l'un des travaux qui justifient l'inversion de la base.

Notice bibliographique

RevueJMIR mhealth and uhealth · 2014
Typearticle
Langueen
DomaineMedicine
ThématiqueConsumer Attitudes and Food Labeling
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésBarcodePhoneCrowdsourcingMobile phonemHealthApp storeComputer scienceFood choiceProfiling (computer programming)World Wide WebInternet privacyBusinessMarketingAdvertisingMedicineTelecommunications

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Front-of-pack nutrition labeling (FoPL) schemes can help consumers understand the nutritional content of foods and may aid healthier food choices. However, most packaged foods in Australia carry no easily interpretable FoPL, and no standard FoPL system has yet been mandated. About two thirds of Australians now own a smartphone. OBJECTIVE: We sought to develop a mobile phone app that would provide consumers with easy-to-understand nutrition information and support the selection of healthier choices when shopping for food. METHODS: An existing branded food database including 17,000 Australian packaged foods underpinned the project. An iterative process of development, review, and testing was undertaken to define a user interface that could deliver nutritional information. A parallel process identified the best approach to rank foods based on nutritional content, so that healthier alternative products could be recommended. RESULTS: Barcode scanning technology was identified as the optimal mechanism for interaction of the mobile phone with the food database. Traffic light labels were chosen as the preferred format for presenting nutritional information, and the Food Standards Australia New Zealand nutrient profiling method as the best strategy for identifying healthier products. The resulting FoodSwitch mobile phone app was launched in Australia in January 2012 and was downloaded by about 400,000 users in the first 18 months. FoodSwitch has maintained a 4-plus star rating, and more than 2000 users have provided feedback about the functionality. Nutritional information for more than 30,000 additional products has been obtained from users through a crowdsourcing function integrated within the app. CONCLUSIONS: FoodSwitch has empowered Australian consumers seeking to make better food choices. In parallel, the huge volume of crowdsourced data has provided a novel means for low-cost, real-time tracking of the nutritional composition of Australian foods. There appears to be significant opportunity for this approach in many other countries.

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.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,661
Score d'incertitude au seuil0,829

Scores Codex et Gemma par catégorie

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

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 Opus0,074
Tête enseignante GPT0,379
Écart entre enseignants0,304 · 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