MétaCan
Menu
Retour à la cohorte
Enregistrement W2940630165 · doi:10.1096/fasebj.31.1_supplement.640.33

Half‐Carts: Partitioned or Divided Grocery Carts Lead to Greater Fruit and Vegetable Purchases in Supermarkets

2017· article· en· W2940630165 sur OpenAlexaff
Brian Wansink, Dilip Solman, Kenneth C. Herbst

Notice bibliographique

RevueThe FASEB Journal · 2017
Typearticle
Langueen
DomaineAgricultural and Biological Sciences
ThématiqueFood Waste Reduction and Sustainability
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésCartPartition (number theory)BusinessMargin (machine learning)AdvertisingGrocery shoppingOrder (exchange)Grocery storeMarketingComputer scienceMathematicsEngineering

Résumé

récupéré en direct d'OpenAlex

Before food portions are determined at home, they are determined at the supermarket. Building on the notion of implied social norms, we propose that partitioning a shopping cart for targeted healthy foods (such as fruits and vegetables) may increase their sales. A concept test for on‐line shopping (Study 1) suggests that partitions may be effective because they suggest purchase norms. An in‐store study in a supermarket (Study 2) reinforces the potential power of partitioned carts by showing that most shoppers purchased fruits and vegetables in quantities that were in proportion to the size of their allocated partition within a shopping cart. Using divided shopping carts (such as half‐carts) could be useful to retailers who want to sell more high‐margin produce, but they could also be useful to consumers who, in order to shop healthier, can choose to divide their own shopping cart in half with their jacket, purse, or briefcase.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,505
Score d'incertitude au seuil0,802

Scores Codex et Gemma par catégorie

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

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 Opus0,046
Tête enseignante GPT0,259
Écart entre enseignants0,214 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
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

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe FASEB JournalMême sujetFood Waste Reduction and SustainabilityTravaux en français237 207