Examining associations between school food environment characteristics and sugar-sweetened beverage consumption among Canadian secondary-school students in the COMPASS study
Notice bibliographique
Résumé
OBJECTIVE: To examine associations between Canadian adolescents' sugar-sweetened beverage (SSB) consumption and several school food environment characteristics, and to investigate differences in these characteristics between schools in provinces with voluntary (Alberta) v. mandatory (Ontario) provincial school nutrition policies. DESIGN: We used a questionnaire to assess the number of weekdays participants consumed three SSB categories (soft drinks, sweetened coffees/teas, energy drinks) and various sociodemographic and behavioural characteristics. We examined the in-school water fountain accessibility, vending machines' contents and presence of various food outlets within schools' 1 km buffer. We developed hierarchical Poisson regression models to identify associations between student- and school-level characteristics and students' SSB outcomes. SETTING: Alberta and Ontario, Canada. SUBJECTS: Adolescents (n 41 829) from eighty-nine secondary schools. RESULTS: Compared with their Ontarian counterparts, Albertan participants had a significantly higher rate of SSB intake across all drink categories and SSB availability was significantly greater in Albertan schools' vending machines. Availability of sweetened coffees/teas in school vending machines and access to restaurants within the school's 1 km buffer were associated with increased SSB intake in three of the final models. Overall, the school food environment-level characteristics examined had a modest to negligible impact on student days of SSB intake. CONCLUSIONS: We identified that the school food environment characteristics examined here had little impact on adolescents' days of SSB consumption. While schools should adopt or maintain a comprehensive policy approach to discourage students' SSB intake, population-level interventions focusing on other contexts (e.g. home and community) are needed to complement existing school-based interventions.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».