MétaCan
Menu
Retour à la cohorte
Enregistrement W2949393009 · doi:10.1017/s1368980019001344

Processing level and diet quality of the US grocery cart: is there an association?

2019· article· en· W2949393009 sur OpenAlexfundno aff
Filippa Juul, Bárbara dos Santos Simões, Jacqueline Litvak, Eurídice Martínez Steele, Andrea Deierlein, Maya Vadiveloo, Niyati Parekh

Notice bibliographique

RevuePublic Health Nutrition · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueConsumer Attitudes and Food Labeling
Établissements canadiensnon disponible
Organismes subventionnairesEconomic Research ServiceCoordenação de Aperfeiçoamento de Pessoal de Nível SuperiorSchool of Medicine, New York UniversityYork University
Mots-clésProcessed meatFood processingRefined grainsGrocery storePurchasingQuality (philosophy)BusinessEnvironmental healthFood scienceCartMedicineAgricultural scienceWhole grainsMarketingGeographyEnvironmental scienceChemistry

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: The majority of groceries purchased by US households are industrially processed, yet it is unclear how processing level influences diet quality. We sought to determine if processing level is associated with diet quality of grocery purchases. DESIGN: We analysed grocery purchasing data from the National Household Food Acquisition and Purchase Survey 2012-2013. Household grocery purchases were categorized by the NOVA framework as minimally processed, processed culinary ingredients, processed foods or ultra-processed foods. The energy share of each processing level (percentage of energy; %E) and Healthy Eating Index-2015 (HEI-2015) component and total scores were calculated for each household's purchases. The association between %E from processed foods and ultra-processed foods, respectively, and HEI-2015 total score was determined by multivariable linear regression. Foods purchased by households with the highest v. lowest ultra-processed food purchases and HEI-2015 total score <40 v. ≥60 were compared using linear regression. SETTING: USA. PARTICIPANTS: Nationally representative sample of 3961 households. RESULTS: Processed foods and ultra-processed foods provided 9·2 (se 0·3) % and 55·8 (se 0·6) % of purchased energy, respectively. Mean HEI-2015 score was 54·7 (se 0·4). Substituting 10 %E from minimally processed foods and processed culinary ingredients for ultra-processed foods decreased total HEI-2015 score by 1·8 points (β = -1·8; 95 % CI -2·0, -1·5). Processed food purchases were not associated with diet quality. Among households with high ultra-processed food purchases, those with HEI-2015 score <40 purchased less minimally processed plant-foods than households with HEI-2015 score ≥60. CONCLUSIONS: Increasing purchases of minimally processed foods, decreasing purchases of ultra-processed foods and selecting healthier foods at each processing level may improve diet quality.

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 enseignants0,043
Score d'incertitude au seuil0,210

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 technologies0,0000,000
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 Opus0,099
Tête enseignante GPT0,371
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 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

Citations33
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

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