The <scp>INFORMAS</scp> healthy food environment policy index (<scp>Food‐EPI</scp>) in <scp>M</scp>exico: <scp>A</scp>n assessment of implementation gaps and priority recommendations
Notice bibliographique
Résumé
Mexico is one of the countries with the highest prevalence of obesity and recently declared a national epidemic of diabetes. Healthy food environments have the potential to improve the diet of the population and decrease the burden of disease. The aim of the study was to assess the efforts of the Mexican Government towards creating healthier food environments using the Healthy Food Environment Policy Index (Food-EPI). The tool was developed by the International Network for Food and Obesity/Non-communicable Diseases Research, Monitoring and Action Support (INFORMAS). Then, it was adapted to the Latin-American context and assessed the components of policy and infrastructure support. Actors from academia, civil society, government, and food industry assessed the level of implementation of food policies compared with international best practices. Actors were classified as (1) independents from academia and civil society (n = 36), (2) government (n = 28), and (3) industry (n = 6). The indicators with the highest percentage of implementation were those related to monitoring and intelligence. Those related to food retail were rated lowest. When stratified by type of actor, the government officials rated several indicators at a higher percentage of implementation compared with independent actors. None of the indicators were rated at high implementation. Government officials and independent actors agreed upon nine priority actions to improve the food environment in Mexico. These actions have the potential to improve government commitment and advocacy efforts to create healthier 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 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 | 0,008 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».