MétaCan
Menu
Retour à la cohorte
Enregistrement W2953365833 · doi:10.1017/s1368980019001356

Attitudes and perceptions among urban South Africans towards sugar-sweetened beverages and taxation

2019· article· en· W2953365833 sur OpenAlexfundno aff
Edna Bosire, Nicholas Stacey, Gudani Mukoma, Aviva Tugendhaft, Karen Hofman, Shane A. Norris

Notice bibliographique

RevuePublic Health Nutrition · 2019
Typearticle
Langueen
DomaineMedicine
ThématiqueObesity, Physical Activity, Diet
Établissements canadiensnon disponible
Organismes subventionnairesInternational Development Research Centre
Mots-clésFocus groupCynicismConsumption (sociology)Tax revenueEnvironmental healthGovernment (linguistics)PerceptionBusinessPsychologyPublic economicsPolitical scienceMedicineEconomicsMarketingPoliticsSociology

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: A tax on sugar-sweetened beverages (SSB) was introduced in South Africa in April 2018. Our objective was to document perceptions and attitudes among urban South Africans living in Soweto on factors that contribute to their SSB intake and on South Africa's use of a tax to reduce SSB consumption. DESIGN: We conducted six focus group discussions using a semi-structured guide. SETTING: The study was conducted in Soweto, Johannesburg, South Africa, 3 months before South Africa's SSB tax was implemented. PARTICIPANTS: Adults aged 18 years or above living in Soweto (n 57). RESULTS: Participants reported frequent SSB consumption and attributed this to habit, addiction, advertising and wide accessibility of SSB. Most of the participants were not aware of the proposed SSB tax; when made aware of the tax, their responses included both beliefs that it would and would not result in reduced SSB intake. However, participants indicated cynicism with regard to the government's stated motivation in introducing the tax for health rather than revenue reasons. CONCLUSIONS: While an SSB tax is a policy tool that could be used with other strategies to reduce people's high level of SSB consumption in Soweto, our findings suggest a need to complement the SSB tax with a multipronged behaviour change strategy. This strategy could include both environmental and individual levers to reduce SSB consumption and its associated risks.

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)0,000
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 enseignants0,015
Score d'incertitude au seuil0,596

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
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 Opus0,026
Tête enseignante GPT0,292
Écart entre enseignants0,266 · 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

Citations48
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePublic Health NutritionMême sujetObesity, Physical Activity, DietTravaux en français237 207