Food beliefs and practices in urban poor communities in Accra: implications for health interventions
Notice bibliographique
Résumé
BACKGROUND: Poor communities in low and middle income countries are reported to experience a higher burden of chronic non-communicable diseases (NCDs) and nutrition-related NCDs. Interventions that build on lay perspectives of risk are recommended. The objective of this study was to examine lay understanding of healthy and unhealthy food practices, factors that influence food choices and the implications for developing population health interventions in three urban poor communities in Accra, Ghana. METHODS: Thirty lay adults were recruited and interviewed in two poor urban communities in Accra. The interviews were audio-taped, transcribed and analysed thematically. The analysis was guided by the socio-ecological model which focuses on the intrapersonal, interpersonal, community, structural and policy levels of social organisation. RESULTS: Food was perceived as an edible natural resource, and healthy in its raw state. A food item retained its natural, healthy properties or became unhealthy depending on how it was prepared (e.g. frying vs boiling) and consumed (e.g. early or late in the day). These food beliefs reflected broader social food norms in the community and incorporated ideas aligned with standard expert dietary guidelines. Healthy cooking was perceived as the ability to select good ingredients, use appropriate cooking methods, and maintain food hygiene. Healthy eating was defined in three ways: 1) eating the right meals; 2) eating the right quantity; and 3) eating at the right time. Factors that influenced food choice included finances, physical and psychological state, significant others and community resources. CONCLUSIONS: The findings suggest that beliefs about healthy and unhealthy food practices are rooted in multi-level factors, including individual experience, family dynamics and community factors. The factors influencing food choices are also multilevel. The implications of the findings for the design and content of dietary and health interventions are discussed.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».