Food processing: criteria for dietary guidance and public health?
Notice bibliographique
Résumé
The NOVA food categorisation recommends 'avoiding processed foods (PF), especially ultra-processed foods (UPF)' and selecting minimally PF to address obesity and chronic disease. However, NOVA categories are drawn using non-traditional views of food processing with additional criteria including a number of ingredients, added sugars, and additives. Comparison of NOVA's definition and categorisation of PF with codified and published ones shows limited congruence with respect to either definition or food placement into categories. While NOVA studies associate PF with decreased nutrient density, other classifications find nutrient-dense foods at all levels of processing. Analyses of food intake data using NOVA show UPF provide much added sugars. Since added sugars are one criterion for designation as UPF, such a proof demonstrates a tautology. Avoidance of foods deemed as UPF, such as wholegrain/enriched bread and cereals or flavoured milk, may not address obesity but could decrease intakes of folate, calcium and dietary fibre. Consumer understanding and implementation of NOVA have not been tested. Neither have outcomes been compared with vetted patterns, such as Dietary Approaches to Stop Hypertension, which base food selection on food groups and nutrient contribution. NOVA fails to demonstrate the criteria required for dietary guidance: understandability, affordability, workability and practicality. Consumers' confusion about definitions and food categorisations, inadequate cooking and meal planning skills and scarcity of resources (time, money), may impede adoption and success of NOVA. Research documenting that NOVA can be implemented by consumers and has nutrition and health outcomes equal to vetted patterns is needed.
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».