Understanding Consumers’ Attitudes Toward Fruits and Vegetable Attributes: A Multi-Method Approach
Notice bibliographique
Résumé
Background: Results from previous work indicated that when consumers make purchasing decisions, they pay more attention to freshness, taste and hygiene attributes of fruits and vegetables than price and nutritional value, when these attributes are considered individually. Methods: To shed light on the underlying factors that shape the pattern of reported preferences, researchers used five doubly censored Tobit models to analyze data generated from a fuzzy pairwise comparison model (FPC) to explain the pattern of reported preferences. In the model, nutritive value, hygiene, taste, price and freshness were separately regressed on a number of demographic and personal characteristics variables. For this study, a random sample was drawn proportionate to population size by county in Georgia, North Carolina and South Carolina. Data were collected from 412 respondents. Results: Higher levels of education and income did not affect how consumers rate the nutritional value of fruits and vegetables. This relative lack of difference among consumers as classified in the model, along with results that showed consumers giving a higher preference rating to hygiene, taste and price offer support for the notion that the nutritional value attribute plays a subsidiary role in consumers purchasing decisions. Conclusion: The multi-method approach used in this study provides information on the demographic characteristics of consumers that influence attitudes and behaviors toward fruit and vegetable attributes. Nutrition educators and marketers will be able to use this knowledge about consumers’ attitudes and behaviors to customize programs that more accurately address consumers’ preferences.
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 | 0,000 | 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 ».