MétaCan
Menu
Retour à la cohorte
Enregistrement W2795357818 · doi:10.1371/journal.pone.0194555

Effectiveness of school food environment policies on children’s dietary behaviors: A systematic review and meta-analysis

2018· review· en· W2795357818 sur OpenAlexaboutno aff
Renata Micha, Dimitra Karageorgou, Ioanna Bakogianni, Eirini Trichia, Laurie P. Whitsel, Mary Story, José L. Peñalvo, Dariush Mozaffarian

Notice bibliographique

RevuePLoS ONE · 2018
Typereview
Langueen
DomaineMedicine
ThématiqueObesity, Physical Activity, Diet
Établissements canadiensnon disponible
Organismes subventionnairesNational Heart, Lung, and Blood InstituteNational Institutes of HealthSouth Dakota Governor's Office of Economic DevelopmentWorld Bank Group
Mots-clésMeta-analysisEnvironmental healthMedicineGerontologyFood sciencePsychologyBiologyInternal medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: School food environment policies may be a critical tool to promote healthy diets in children, yet their effectiveness remains unclear. OBJECTIVE: To systematically review and quantify the impact of school food environment policies on dietary habits, adiposity, and metabolic risk in children. METHODS: We systematically searched online databases for randomized or quasi-experimental interventions assessing effects of school food environment policies on children's dietary habits, adiposity, or metabolic risk factors. Data were extracted independently and in duplicate, and pooled using inverse-variance random-effects meta-analysis. Habitual (within+outside school) dietary intakes were the primary outcome. Heterogeneity was explored using meta-regression and subgroup analysis. Funnel plots, Begg's and Egger's test evaluated potential publication bias. RESULTS: From 6,636 abstracts, 91 interventions (55 in US/Canada, 36 in Europe/New Zealand) were included, on direct provision of healthful foods/beverages (N = 39 studies), competitive food/beverage standards (N = 29), and school meal standards (N = 39) (some interventions assessed multiple policies). Direct provision policies, which largely targeted fruits and vegetables, increased consumption of fruits by 0.27 servings/d (n = 15 estimates (95%CI: 0.17, 0.36)) and combined fruits and vegetables by 0.28 servings/d (n = 16 (0.17, 0.40)); with a slight impact on vegetables (n = 11; 0.04 (0.01, 0.08)), and no effects on total calories (n = 6; -56 kcal/d (-174, 62)). In interventions targeting water, habitual intake was unchanged (n = 3; 0.33 glasses/d (-0.27, 0.93)). Competitive food/beverage standards reduced sugar-sweetened beverage intake by 0.18 servings/d (n = 3 (-0.31, -0.05)); and unhealthy snacks by 0.17 servings/d (n = 2 (-0.22, -0.13)), without effects on total calories (n = 5; -79 kcal/d (-179, 21)). School meal standards (mainly lunch) increased fruit intake (n = 2; 0.76 servings/d (0.37, 1.16)) and reduced total fat (-1.49%energy; n = 6 (-2.42, -0.57)), saturated fat (n = 4; -0.93%energy (-1.15, -0.70)) and sodium (n = 4; -170 mg/d (-242, -98)); but not total calories (n = 8; -38 kcal/d (-137, 62)). In 17 studies evaluating adiposity, significant decreases were generally not identified; few studies assessed metabolic factors (blood lipids/glucose/pressure), with mixed findings. Significant sources of heterogeneity or publication bias were not identified. CONCLUSIONS: Specific school food environment policies can improve targeted dietary behaviors; effects on adiposity and metabolic risk require further investigation. These findings inform ongoing policy discussions and debates on best practices to improve childhood dietary habits and health.

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)0,019
score de la tête « metaresearch » (Gemma)0,045
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,099

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0190,045
Méta-épidémiologie (sens strict)0,0030,002
Méta-épidémiologie (sens large)0,0200,040
Bibliométrie0,0070,007
Études des sciences et des technologies0,0010,001
Communication savante0,0040,002
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,140
Tête enseignante GPT0,323
Écart entre enseignants0,183 · 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'étudeMéta-analyse
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations525
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePLoS ONEMême sujetObesity, Physical Activity, DietTravaux en français237 207