Food Choice Under Five Front-of-Package Nutrition Label Conditions: An Experimental Study Across 12 Countries
Notice bibliographique
Résumé
Objectives. To determine which front-of-package label (out of 5 formats) is most effective at guiding consumers toward healthier food choices. Methods. Respondents from Argentina, Australia, Bulgaria, Canada, Denmark, France, Germany, Mexico, Singapore, Spain, the United Kingdom, and the United States took part in the Front-of-Pack International Comparative Experiment between April and July 2018. Respondents were shown foods of varying nutritional quality (with no label on package) and selected which they would be most likely to purchase. The same choice sets were then shown again with 1 of 5 randomly allocated labels on package (Health Star Rating (HSR), Multiple Traffic Lights (MTL), Nutri-Score, Reference Intakes, or Warning Label). We calculated an improvement score (from 11 100 valid responses) to identify the extent to which the labels produced healthier choices. Results. The most effective labels were the Nutri-Score and the MTL (mean improvement score = 0.09; 95% confidence interval [CI] = 0.07, 0.11), then the Warning Label (0.06; 95% CI = 0.04, 0.08), the HSR (0.05; 95% CI = 0.03, 0.07), and lastly the Reference Intakes (0.04; 95% CI = 0.02, 0.04). Conclusions. Well-designed, salient, and intuitive front-of-package labels can be effective on a global scale. Their impact is not bound to the country from which they originate.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».