An 11‐country study to benchmark the implementation of recommended nutrition policies by national governments using the Healthy Food Environment Policy Index, 2015‐2018
Notice bibliographique
Résumé
The Healthy Food Environment Policy Index (Food-EPI) aims to assess the extent of implementation of recommended food environment policies by governments compared with international best practices and prioritize actions to fill implementation gaps. The Food-EPI was applied in 11 countries across six regions (2015-2018). National public health nutrition panels (n = 11-101 experts) rated the extent of implementation of 47 policy and infrastructure support good practice indicators by their government(s) against best practices, using an evidence document verified by government officials. Experts identified and prioritized actions to address implementation gaps. The proportion of indicators at "very low if any," "low," "medium," and "high" implementation, overall Food-EPI scores, and priority action areas were compared across countries. Inter-rater reliability was good (GwetAC2 = 0.6-0.8). Chile had the highest proportion of policies (13%) rated at "high" implementation, while Guatemala had the highest proportion of policies (83%) rated at "very low if any" implementation. The overall Food-EPI score was "medium" for Australia, England, Chile, and Singapore, while "very low if any" for Guatemala. Policy areas most frequently prioritized included taxes on unhealthy foods, restricting unhealthy food promotion and front-of-pack labelling. The Food-EPI was found to be a robust tool and process to benchmark governments' progress to create healthy 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 | 0,021 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».