MétaCan
Menu
Retour à la cohorte
Enregistrement W2614731011 · doi:10.1016/j.ypmed.2017.05.011

Energy drink consumption and marketing in South Africa

2017· article· en· W2614731011 sur OpenAlexfundno aff
Nicholas Stacey, Corné van Walbeek, Mashekwa Maboshe, Aviva Tugendhaft, Karen Hofman

Notice bibliographique

RevuePreventive Medicine · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueCoffee research and impacts
Établissements canadiensnon disponible
Organismes subventionnairesInternational Development Research Centre
Mots-clésConsumption (sociology)AdvertisingMedicineEnergy (signal processing)Energy consumptionOddsEnvironmental healthMarketingLogistic regressionBusinessEngineering

Résumé

récupéré en direct d'OpenAlex

Energy drinks are a fast-growing class of beverage containing high levels of caffeine and sugar. Advertising and marketing have been key to their growth in South Africa. This paper documents trends in energy drink consumption and energy drink advertising, and examines the relationship between exposure to energy drink advertising and consumption. Logistic regressions were estimated of categories of energy drink consumption on individual characteristics, as well as exposure to energy drink advertising. Exposure to advertising is measured by reported viewing of channels high in energy drink advertising. Energy drink consumption in South Africa is higher among younger, wealthier males. Spending on energy drink advertising is mostly focused on television. Targeted channels include youth, sports and general interest channels. Viewers of channels targeted by energy drink advertisers have higher odds of any and moderate levels of energy drinks consumption.

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 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)0,002
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: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,214
Score d'incertitude au seuil0,392

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
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 Opus0,062
Tête enseignante GPT0,352
Écart entre enseignants0,290 · 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 tête enseignante, 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

Citations38
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePreventive MedicineMême sujetCoffee research and impactsTravaux en français237 207