Socio-demographic characteristics, diet and health among food insecure UK adults: cross-sectional analysis of the International Food Policy Study
Notice bibliographique
Résumé
OBJECTIVE: To estimate food insecurity (FI) prevalence among UK adults and investigate associations with socio-demographic characteristics, diet and health. DESIGN: Weighted cross-sectional survey data. FI was measured using the USDA Adult Food Security Survey Module. Data were analysed using adjusted logistic regression models. SETTING: United Kingdom. PARTICIPANTS: 2551 participants (aged 18-64 years); sub-sample (n 1949) used to investigate association between FI and overweight. RESULTS: FI prevalence was 24·3 %. Higher odds of FI were observed among participants who reported that making ends meet was difficult v. easy (OR 19·76, 95 % CI 13·78, 28·34), were full-time students v. non-students (OR 3·23, 95 % CI 2·01, 5·18), had low v. high education (OR 2·30, 95 % CI 1·66, 3·17), were male v. female (OR 1·36, 95 % CI 1·01, 1·83) and reported their ethnicity as mixed (OR 2·32, 95 % CI 1·02, 5·27) and white other (OR 2·04, 95 % CI 1·04, 3·99) v. white British. Odds of FI were higher in participants living with children v. alone, especially in single-parent households (OR 2·10, 95 % CI 1·19, 3·70). Odds of FI decreased per year of increase in age (OR 0·95, 95 % CI 0·94, 0·96) and were lower in participants not looking for work v. full-time employed (OR 0·60, 95 % CI 0·42, 0·87). Food insecure v. food secure adults had lower odds of consuming fruits (OR 0·59, 95 % CI 0·47, 0·74) and vegetables (OR 0·68, 95 % CI 0·54, 0·86) above the median frequency, and higher odds for fruit juice (OR 1·39, 95 % CI 1·10, 1·75). Food insecure v. food secure adults had higher odds of reporting unhealthy diets (OR 1·65, 95 % CI 1·31, 2·10), poor general health, (OR 1·90, 95 % CI 1·50, 2·41), poor mental health (OR 2·10, 95 % CI 1·64, 2·69), high stress (OR 3·15, 95 % CI 2·42, 4·11) and overweight (OR 1·32, 95 % CI 1·00, 1·75). CONCLUSIONS: FI prevalence was high and varied by socio-demographic characteristics. FI was associated with poorer diet and health.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».