MétaCan
Menu
Retour à la cohorte
Enregistrement W2921542188 · doi:10.1016/j.appet.2019.03.010

Comparing the ways a sample of Brazilian adults classify food with the NOVA food classification: An exploratory insight

2019· article· en· W2921542188 sur OpenAlexaff
Bruna Menegassi, Priscila de Morais Sato, Fernanda Baeza Scagliusi, Jean‐Claude Moubarac

Notice bibliographique

RevueAppetite · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueConsumer Attitudes and Food Labeling
Établissements canadiensUniversité de Montréal
Organismes subventionnairesConselho Nacional de Desenvolvimento Científico e TecnológicoFundação de Amparo à Pesquisa do Estado de São PauloInternational Parkinson and Movement Disorder Society
Mots-clésFood groupExploratory researchSample (material)PsychologyMultidimensional scalingCluster (spacecraft)Qualitative researchEnvironmental healthGeographyMedicineSociologyStatisticsMathematicsComputer scienceSocial science

Résumé

récupéré en direct d'OpenAlex

The aim of this study is to have an exploratory insight on how a sample of Brazilian adults classify food, attempting to identify the main factors involved in this process, and to compare these classifications to the NOVA food classification of the 2014 Brazilian dietary guidelines. An exploratory and qualitative approach was conducted with a selected sample of teachers, administrative technicians, and students (N = 24) from the Federal University of Grande Dourados, Brazil. First, using the pile sort method, participants were asked to freely classify 24 pictures of food (sourced from examples of the four food groups specified in NOVA) into food groups meaningful to them. Next, in semi-structured interviews, participants were asked to describe the food groups they created. The food groups created by participants were analyzed using non-metric multidimensional scaling followed by hierarchical cluster analysis, and the interviews were analyzed using content analysis. Participants had a mean age of 30 (±9.4) years. A total of 128 food groups were created by 24 participants (an average of five food groups per person); and a total of 55 non-mutually exclusive groups names were used by them to describe these food groups. Sixteen themes emerged from the content analysis. The most recurrent themes were food groups, nutrients, foods I consume, foods I do not consume, and food processing. Contrasting themes such as real food and junk foods, meals and ready-made foods, healthy foods and unhealthy foods were also noted. Six clusters emerged from the cluster analysis, each related to one or more themes. Overall, a striking similarity was observed between the ways the individuals classified food and the NOVA food classification.

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)0,003
score de la tête « metaresearch » (Gemma)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,049
Score d'incertitude au seuil0,097

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0030,012
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,002
Études des sciences et des technologies0,0010,001
Communication savante0,0020,001
Science ouverte0,0000,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,065
Tête enseignante GPT0,265
Écart entre enseignants0,201 · 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'étudeQualitatif
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

Citations29
Publié2019
Routes d'admission1
Résumé présentnon

Explorer davantage

Même revueAppetiteMême sujetConsumer Attitudes and Food LabelingTravaux en français237 207