MétaCan
Menu
Retour à la cohorte
Enregistrement W2250069673 · doi:10.31542/j.ecj.311

Ecuador: Communicating to Bridge the Education Gap in Nutrition

2015· article· en· W2250069673 sur OpenAlexaffvenue
Brittany Pitruniak, Kathryn Adachi, Morgan Messelink

Notice bibliographique

RevueEarth Common Journal · 2015
Typearticle
Langueen
DomaineMedicine
ThématiqueObesity, Physical Activity, Diet
Établissements canadiensMacEwan University
Organismes subventionnairesnon disponible
Mots-clésNutrition EducationCurriculumMedical educationBridge (graph theory)SustainabilityInformation gapQualitative propertyNutrition informationPsychologyQualitative researchContent analysisMedicineGerontologyPedagogySociologyFood scienceSocial scienceComputer science

Résumé

récupéré en direct d'OpenAlex

After conducting a study in May of 2014 on nutrition communication in Ecuador and how it affects consumer behaviour, researchers identified a gap between the level of education obtained by students and the knowledge of nutrition provided to them. This article uses that study to assess whether or not the communication of nutrition information can be understood with the level of nutrition education available through cultural and educational means. Researchers first gathered data using quantitative methods in a survey administered to students at the Universidad San Francisco de Quito. The data was supplemented through qualitative research in a questionnaire administered in a one-on-one interview format, followed by content analysis of food labels found in Ecuadorian grocery stores. Review of all of the data showed a number of problems with the level of education provided to students on the topic of nutrition and the communication of the information available to them. The inconsistency of food labeling in Ecuador also presented an issue. Researchers’ recommendations for the sustainability of healthy living include a standardized curriculum regarding nutrition starting in primary school in order to influence a sustainable level of nutrition education, as well as a standardized and mandatory format for food labelling.

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)0,003
score de la tête « metaresearch » (Gemma)0,007
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: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,026

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,007
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,001
Communication savante0,0030,003
Science ouverte0,0010,003
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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 Opus0,062
Tête enseignante GPT0,339
Écart entre enseignants0,277 · 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

Citations2
Publié2015
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueEarth Common JournalMême sujetObesity, Physical Activity, DietTravaux en français237 207