Trends and correlates of frequency of fruit and vegetable consumption, 2007 to 2014.
Notice bibliographique
Résumé
BACKGROUND: Eating fruit and vegetables is recommended as part of a healthy diet. This study describes trends in the frequency of fruit and vegetable consumption in Canada, the contribution of fruit juice to these trends, and correlates of the frequency of fruit and vegetable consumption. DATA AND METHODS: The data are from the annual Canadian Community Health Survey for the 2007-to-2014 period and pertain to the household population aged 12 or older. Weighted frequencies and cross-tabulations were used to estimate the average frequency of fruit and vegetable consumption by socio-demographic characteristics and body mass index, age-standardized to the 2014 Canadian population. Multivariate logistic regressions were used to examine correlates of frequency of fruit and vegetable intake in 2014. RESULTS: In 2014, Canadians reported consuming fruit and vegetables an average of 4.7 times a day, a slight, but significant, decrease from 5.0 times a day in 2007. The decrease over time was no longer significant when fruit juice was excluded (dropping to an average of 4.1 times a day in both years). Canadians drank less juice in 2014 than in 2007, a decline that was apparent across all age, sex and household income quintiles, all regions, and all weight categories. In 2014, Canadians who reported consuming fruit and vegetables 5 or more times a day tended to be female, in younger age groups, in the highest household income quintile, and neither overweight nor obese. DISCUSSION: Between 2007 and 2014, Canadians' reported frequency of fruit and vegetable consumption was consistently low. Correlates of fruit and vegetable consumption can be used to target nutrition policy and education efforts to improve intake.
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 ».