Regulatory initiatives to reduce sugar-sweetened beverages (SSBs) in Latin America
Notice bibliographique
Résumé
BACKGROUND AND OBJECTIVES: Latin American (LA) countries have begun to adopt a variety of regulations targeting sugar-sweetened beverages (SSBs) for public health reasons. Our objective was to characterize the regulatory strategies designed to reduce SSB consumption over the last decade, and assess the available evidence on their enforcement and impact. METHODS: We searched legal and public health databases for public and private SSBs regulations in 14 LA countries and then conducted a systematic review of the available literature. We tracked comparative variations in the type of body issuing the regulations, their scope, and binding status. We present data following a 5-category framework we named NUTRE that classifies SSBs regulations as: (1) restrictions to SSB availability in schools (N), (2) taxes and other economic incentives to discourage consumption (U), (3) restrictions on advertising and marketing (T), (4) regulations on government procurement and subsidies (R), and (5) product labeling rules (E). RESULTS: Since 2006, 14 LA countries have adopted at least 39 public and private SSB regulatory initiatives across the NUTRE framework. Comprehensive efforts have only been approved by Chile, México and Ecuador, while the rest have comparatively few initiatives. 28 out of the 39 regulatory initiatives were passed by legislative and executive bodies; 11 initiatives represent self-regulatory undertakings by the beverage industries. An 86% (24/28) of public sector regulations are binding; 56% (22/39) contain explicit monitoring or evaluation methods; and 62% (24/39) provide for sanctions. Moreover, 23 regulations specify the body in charge of monitoring the new rules and standards. CONCLUSIONS: LA countries are targeting SSB consumption through a variety of mechanisms, particularly via restrictions to availability in schools and through taxes. Interdisciplinary evidence comparing alternative regulatory strategies is scarce, and few studies offer data on impact and implementation challenges. More evidence and further comparative assessments are needed to support future decision-making.
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 ».