Support for, and perceived effectiveness of, the UK soft drinks industry levy among UK adults: cross-sectional analysis of the International Food Policy Study
Notice bibliographique
Résumé
OBJECTIVES: To answer four questions: What are attitudes, knowledge and social norms around sugar-sweetened beverages (SSBs)? What are current levels of trust in messages on SSBs? What is current support for, and perceived effectiveness of, the UK soft drinks industry levy (SDIL)? What is the association between attitudes, knowledge, social norms, trust, SSB consumption and sociodemographic factors; and support for, and perceived effectiveness of, the SDIL? DESIGN: Cross-sectional online survey. SETTING: UK. PARTICIPANTS: UK respondents to the 2017 International Food Policy Study aged 18-64 years who provided information on all variables of interest (n=3104). OUTCOME MEASURES: Self-reported perceived effectiveness of, and support for, the SDIL. RESULTS: Most participants supported the SDIL (70%), believed it would be effective (71%), had a positive attitude to SSBs (62%), had knowledge of the link between SSBs and obesity (90%), and trusted messages from health experts (61%), but not those from the food and beverage industry (73%). Nearly half (46%) had negative social norms about drinking SSBs. In adjusted models, older age, non-consumption of SSBs, social norms to not drinks SSBs, knowledge of the link between SSBs and obesity and trust in health expert messages were associated with greater support for the SDIL, whereas having dependent children and trusting messages from the food and beverage industry were associated with less support. In adjusted models, older age was associated with lower perceived effectiveness of the SDIL, whereas social norms to not drink SSBs, negative attitudes to SSBs and trusting messages from health experts and the food and beverage industry were associated with greater perceived effectiveness. CONCLUSIONS: There was strong support for the SDIL and belief that it would be effective. Those with more 'public health' orientated norms and trust were generally more likely to support the SDIL or believe that it would be effective.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 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 ».