Exploring Nutrition Labelling of Food and Beverages in Vending Machines in Canadian Recreational Sport Settings
Notice bibliographique
Résumé
Purpose: To evaluate whether interpretive “health” labels placed in vending machines in recreation centres represented products’ nutrient content when compared with provincial nutrition guidelines. Methods: A cross-sectional audit (November 2015 – April 2016) of 139 vending machines in recreation facilities found 525 foods and beverages in 17 machines labelled by vendors according to healthfulness. Product nutrient content was compared with provincial nutrition guideline criteria. Cross-tabulation and weighted Cohen’s kappa evaluated agreement between vendor interpretive labels and guideline ranks. Descriptive statistics evaluated how mislabelled products deviated from recommended nutrient content. Mann–Whitney tests compared nutrient content of “healthy” and “unhealthy” labelled products. Results: Almost one-third of all products were mislabelled by vendors with 72% of those labelled healthier than their actual guideline rank. Energy, total fat, sugar, and sodium contents exceeded recommended levels in one-third to one-half of mislabelled products. Overall, products labelled healthy by vendors were significantly lower in energy, sodium, and fat compared with those labelled unhealthy; however, not for all food types (e.g., bars, fruit snacks, nuts). Conclusions: For certain product categories, vendor interpretive nutrition labels poorly represented products’ nutrient content according to provincial nutrition guidelines. Dietitians may be a valuable resource to help implement nutrition guidelines to create credible interpretive product labelling systems.
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 | 0,005 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 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) | 0,002 | 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 ».