Identifying best practices in junk food taxation and other food policies: Selected examples and their assessment
Notice bibliographique
Résumé
Abstract Issue/problem Noncommunicable diseases are the main contributor to the global mortality, being responsible, as estimated, for 71% of deaths each year. About 80 of dietary dependent diseases has been identified so far, and their prevalence tends to exceed 30% in some populations. Description of the problem The growing prevalence of these diseases, along with impact on the quality of life, disabilities, as well as rising direct and indirect economic costs, constitute a basic foundation for emerging efforts to develop and implement new solutions within national health policies aimed at modifying dietary behaviours and reducing their negative impact on health status of individuals and populations. To address these problems the Joint Funding Action “Effectiveness of existing policies for lifestyle interventions - Policy Evaluation Network (PEN)” has been initiated, in which 28 research group across Europe are collaborating. Results The primary aim of the presented study will be to discuss the usage of the PEN instrument to identify best practices in food policies, including sugar sweetened beverages and junk food taxation. Previous examples of the instrument implementation will also be presented, including New Zealand, Australia and Canada, along with the results of current works on its development within the project. The second basic aspect for the study is to discuss and assess examples of food policies implemented in selected countries in terms of their effectiveness in modifying unhealthy behaviours. Lessons The time that has passed since the implementation of the evaluated solutions is too short to assess actual impact on health. Nonetheless, the existing evidence, including data from countries being the most successful examples of junk food taxation, like Mexico and Hungary, suggest that their impact on consumer choices, health literacy and also food industry in terms of food products composition, is positive.
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 | 0,017 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,008 | 0,011 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».