Mapping Obesogenic Food Environments in South Africa and Ghana: Correlations and Contradictions
Notice bibliographique
Résumé
In sub-Saharan Africa, urbanisation and food systems change contribute to rapid dietary transitions promoting obesity. It is unclear to what extent these changes are mediated by neighbourhood food environments or other factors. This paper correlates neighbourhood food provision with household consumption and poverty in Khayelitsha, South Africa and Ahodwo, Ghana. Georeferenced survey data of food consumption and provision were classified by obesity risk and protection. Outlets were mapped, and density and distribution correlated with risk classes. In Khayelitsha, 71% of households exceeded dietary obesity risk thresholds while 16% consumed protective diets. Obesogenic profiles were less (26%) and protective more prevalent (23%) in Ahodwo despite greater income poverty in Khayelitsha. Here, income-deprived households consumed significantly (p < 0.005) less obesogenic and protective diets. Small informal food outlets dominated numerically but supermarkets were key household food sources in Khayelitsha. Although density of food provision in Ahodwo was higher (76/km2), Khayelitsha outlets (61/km2) provided greater access to obesogenic (57% Khayelitsha; 39% Ahodwo) and protective (43% Khayelitsha; 16% Ahodwo) foods. Consumption and provision profiles correlate more strongly in Ahodwo than Khayelitsha (rKhayelitsha = 0.624; rAhodwo = 0.862). Higher obesogenic food consumption in Khayelitsha suggests that risky food environments and poverty together promote obesogenic diets.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».