Comparing food environment and food purchase in areas with low and high prevalence of obesity: data from a mapping, in-store audit, and population-based survey
Notice bibliographique
Résumé
Our study aimed to compare key aspects of the food environment in two low-income areas in the city of Campinas, São Paulo State, Brazil: one with low and the other with high prevalence of obesity. We compared the availability of retail food establishments, the types of food sold, and the residents' eating habits. Demographic and socioeconomic data and eating habits were obtained from a population-based health survey. We also analyzed local food environment data collected from remote mapping of the retail food establishments and audit of the foods sold. For comparison purposes, the areas were selected according to obesity prevalence (body mass index - BMI ≥ 30kg/m²), defined as low prevalence (< 25%) and high prevalence (> 45%). Only 18 out of the 150 points of sale for food products sold fruits and vegetables across the areas. Areas with high obesity prevalence had more grocery stores and shops specialized in fruits and vegetables, as well as more supermarkets that sold fruits and vegetables. With less schooling, residents in the areas with high obesity prevalence reported purchasing food more often in supermarket chains and specialized shops with fruits and vegetables, although they consumed more sodas when compared with residents of areas with low obesity prevalence. Our results suggest interventions in low-income areas should consider the diverse environmental contexts and the interaction between schooling and food purchase behaviors in settings less prone to healthy eating.
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 ».