Using Food Models to Enhance Sugar Literacy among Older Adolescents: Evaluation of a Brief Experiential Nutrition Education Intervention
Notice bibliographique
Résumé
Adolescent diets high in sugar are a public health concern. Sugar literacy interventions have changed intake but focused more on children, adults, and early adolescents and on sugar sweetened beverages rather than total sugar consumption. Food models are an efficacious experiential learning strategy with children. This study assessed the impact of two 45 min nutrition lessons using food models on adolescents’ sugar literacy. Classes (n = 16) were randomized to intervention or control with knowledge, label reading skills, intentions to limit sugar consumption measured at baseline and follow-up. Two hundred and three students aged 14 to 19 from six schools on Vancouver Island, BC, Canada participated in the study. Adolescents’ knowledge of added sugar in foods and beverages and servings per food group in a healthy diet was limited at baseline but improved significantly in the intervention condition (F(1, 201) = 104.84, p < 0.001) compared to controls. Intention to consume less added sugar increased significantly after intervention (F(1, 201) = 4.93, p = 0.03) as did label reading confidence (F(1, 200) = 14.94, p < 0.001). A brief experiential learning intervention using food models was efficacious for changing student’s knowledge about sugar guidelines and sugar in food, label reading confidence, and intention to change sugar consumption.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».