Junk Food Marketing on Instagram: Content Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: Omnipresent marketing of processed foods is a key driver of dietary choices and brand loyalty. Market data indicate a shift in food marketing expenditures to digital media, including social media. These platforms have greater potential to influence young people, given their unique peer-to-peer transmission and youths' susceptibility to social pressures. OBJECTIVE: The aim of this study was to investigate the frequency of images and videos posted by the most popular, energy-dense, nutrient-poor food and beverage brands on Instagram and the marketing strategies used in these images, including any healthy choice claims. METHODS: A content analysis of 15 accounts was conducted, using 12 months of Instagram posts from March 15, 2015, to March 15, 2016. A pre-established hierarchical coding guide was used to identify the primary marketing strategy of each post. RESULTS: Each brand used 6 to 11 different marketing strategies in their Instagram accounts; however, they often adhered to an overall theme such as athleticism or relatable consumers. There was a high level of branding, although not necessarily product information on all accounts, and there were very few health claims. CONCLUSIONS: Brands are using social media platforms such as Instagram to market their products to a growing number of consumers, using a high frequency of targeted and curated posts that manipulate consumer emotions rather than present information about their products. Policy action is needed that better reflects the current media environment. Public health bodies also need to engage with emerging media platforms and develop compelling social counter-marketing campaigns.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,007 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle