Point-of-Purchase Labels and Reward Cards Improve Sales of Healthy Foods in University Dining Halls
Notice bibliographique
Résumé
PURPOSE: To compare sales of Food Resources and Education for Student Health (FRESH) Approved versus non-FRESH Approved menu cycle items pre- and postimplementation of the FRESH program. METHODS: Sales data from 2011-2015 of FRESH Approved versus non-FRESH Approved menu items were analyzed. Fruit and milk items sold, net sales, and the cost of free fruit and milk redeemed through the FRESH Reward Card (FRC) program, were also analyzed. RESULTS: FRESH Approved items sold more often than non-FRESH Approved items in the latter 2 years (P = 0.01). Prices of FRESH Approved menu items were significantly lower than non-FRESH Approved items for all years (e.g., $1.52 ± $0.94 vs $2.21 ± $1.02 per serving in 2014-2015; P < 0.001). Across all FRESH implementation years, FRESH Approved menu items were found more often on the 6-week menu (P < 0.05). The number of fruit items sold increased from a baseline of 143 052 to 170 954, and net sales increased from $135 450 to $154 248 after 3 years of the FRC implementation. CONCLUSIONS: FRESH Approved items were less expensive, available more often, and had higher sales. The FRC increased net fruit sales despite the cost of free fruit. Highlighting and reducing the cost of healthy foods are promising practices to improve campus food environments.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,017 | 0,002 |
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 ».