MétaCan
Menu
Retour à la cohorte
Enregistrement W2911640446 · doi:10.1017/s1368980018003762

Ultra-processed foods: what they are and how to identify them

2019· article· en· W2911640446 sur OpenAlexaff
Carlos Augusto Monteiro, Geoffrey Cannon, Renata Bertazzi Levy, Jean‐Claude Moubarac, Maria Laura da Costa Louzada, Fernanda Rauber, Neha Khandpur, Gustavo Cediel, Daniela Neri, Eurídice Martínez Steele, Larissa Galastri Baraldi, Patrícia Constante Jaime

Notice bibliographique

RevuePublic Health Nutrition · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueConsumer Attitudes and Food Labeling
Établissements canadiensUniversité de Montréal
Organismes subventionnairesFundação de Amparo à Pesquisa do Estado de São Paulo
Mots-clésEnvironmental healthMedicine

Résumé

récupéré en direct d'OpenAlex

The present commentary contains a clear and simple guide designed to identify ultra-processed foods. It responds to the growing interest in ultra-processed foods among policy makers, academic researchers, health professionals, journalists and consumers concerned to devise policies, investigate dietary patterns, advise people, prepare media coverage, and when buying food and checking labels in shops or at home. Ultra-processed foods are defined within the NOVA classification system, which groups foods according to the extent and purpose of industrial processing. Processes enabling the manufacture of ultra-processed foods include the fractioning of whole foods into substances, chemical modifications of these substances, assembly of unmodified and modified food substances, frequent use of cosmetic additives and sophisticated packaging. Processes and ingredients used to manufacture ultra-processed foods are designed to create highly profitable (low-cost ingredients, long shelf-life, emphatic branding), convenient (ready-to-consume), hyper-palatable products liable to displace all other NOVA food groups, notably unprocessed or minimally processed foods. A practical way to identify an ultra-processed product is to check to see if its list of ingredients contains at least one item characteristic of the NOVA ultra-processed food group, which is to say, either food substances never or rarely used in kitchens (such as high-fructose corn syrup, hydrogenated or interesterified oils, and hydrolysed proteins), or classes of additives designed to make the final product palatable or more appealing (such as flavours, flavour enhancers, colours, emulsifiers, emulsifying salts, sweeteners, thickeners, and anti-foaming, bulking, carbonating, foaming, gelling and glazing agents).

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,038
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: Sans objet
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,044

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,038
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0020,001
Bibliométrie0,0040,003
Études des sciences et des technologies0,0040,013
Communication savante0,0110,023
Science ouverte0,0030,004
Intégrité de la recherche0,0120,018
Charge utile insuffisante (le modèle a refusé de juger)0,0080,005

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.

Tête enseignante Opus0,068
Tête enseignante GPT0,340
Écart entre enseignants0,272 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2 701
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePublic Health NutritionMême sujetConsumer Attitudes and Food LabelingTravaux en français237 207