Two observational studies examining the effect of a social norm and a health message on the purchase of vegetables in student canteen settings
Notice bibliographique
Résumé
There is some evidence from laboratory-based studies that descriptive social-norm messages are associated with increased consumption of vegetables, but evidence of their effectiveness in real-world settings is limited. In two observational field studies taking an ecological approach, a vegetable-related social norm (e.g. "Did you know that most students here choose to eat vegetables with their meal?"), and a health message (e.g. "Did you know that students who choose to eat vegetables have a lower risk of heart disease?") were displayed in two different student canteens. Purchases were observed during three stages: baseline, intervention (when the posters were displayed) and immediate post-intervention (when the posters had been removed). Study 1 (n = 7598) observed the purchase of meals containing a portion of vegetables and Study 2 (n = 4052) observed the purchase of side portions of vegetables. In Study 1, relative to baseline, the social-norms intervention was associated with an increase in purchases of vegetables (from 63% to 68% of meals; OR = 1.24, CI = 1.03-1.49), which was sustained post-intervention (67% of meals; OR = 0.96, CI = 0.80-1.15). There was no effect of the health message (75% of meals at baseline, and 74% during the intervention; OR = 0.98, CI = 0.83-1.15). In Study 2, relative to baseline, there was an effect of both the social norm (22.9% of meals at baseline, rising to 32.5% during the intervention; OR = 1.62, CI = 1.27-2.05) and health message (rising from 43.8% at baseline to 52.8%; OR = 0.59, CI = 0.46-0.75). The increase was not sustained post-intervention for the social norm intervention (22.1%; OR = 0.59, CI = 0.46-0.75), but was sustained for the health intervention (48.1%; OR = 0.83, CI = 0.67-1.02). These results support further testing of the effectiveness of such messages in encouraging healthier eating and indicate the need for larger-scale testing at multiple sites using a randomised-controlled design.
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 | 0,013 | 0,052 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| 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 ».