Does the neighborhood food environment contribute to ethnic inequalities in fast-food intake? findings from the ORiEL study
Notice bibliographique
Résumé
The neighborhood food environment may contribute to ethnic inequalities in diet. Using data from 1389 participants in the Olympic Regeneration in East London (UK) study we assessed whether ethnic inequalities in neighborhood availability of fast-food restaurants mediated and/or modified ethnic inequalities in fast-food intake in 13-15 year-old adolescents. We compared the proportion of high fast-food consumers across "White UK", "Black", and "South Asian" ethnic categories. We used Poisson regression with robust standard errors to assess direct and indirect effects (mediation analysis) and risk ratios of high fast-food intake by ethnic category and fast-food restaurant availability level (effect measure modification analysis). There were ethnic inequalities in high fast-food intake, with risk ratios in adolescents of Black and South Asian background of 1.53 (95% CI: 1.25, 1.87) and 1.71 (95% CI: 1.41, 2.07) respectively compared to White UK participants. We found no evidence of a mediating effect by fast-food restaurant availability, but found some evidence of effect measure modification: ethnic inequalities in fast-food intake were largest in neighborhoods lacking fast-food restaurants, and narrowed as availability increased. Future research should explore why ethnic minorities are more likely to be high fast-food consumers than the majority ethnic group, especially when fast-food restaurant availability is lowest.
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 | 0,002 | 0,001 |
| 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 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».