Dairy and Fruit Listed as Main Ingredients Improve NRF8.3 Nutrient Density Scores of Children's Snacks
Notice bibliographique
Résumé
Background: The US Food and Drug Administration has modified its regulations on nutrient content claims by considering healthy dietary ingredients as well as nutrients. Objective: To assess the relation between dairy and fruit as main ingredients in children’s snacks and the Nutrient Rich Food (NRF8.3) nutrient density score. Methods: Commonly consumed children’s snacks in the United States, Canada, France, and the United Kingdom (n=261) were assigned into USDA What We Eat in America (WWEI) categories. Nutrient composition data came from industry websites, open-source government databases (USDA Standard Reference SR28; CIQUAL), and back-of-pack food labels. Nutrient density was calculated using the Nutrient Rich Food Index NRF8.3. Snacks with dairy or fruit as the first listed ingredient (n=115) were compared to those that listed neither (n=146). Snacks that contained fruits-vegetables-nuts (FVN) (n=88) were compared to those that did not (n=173). Results: NRF8.3 scores were higher for snacks listing dairy or fruit as main ingredients. Dairy or fruit when listed as the first ingredient were associated with higher percent daily values of protein, fiber, calcium, vitamin A, vitamin C, and vitamin D, lower saturated fat content and a 30-point increment in NRF8.3 scores. The presence of FVN was associated with a 22-point increment in NRF8.3 scores. Conclusion: The correspondence between back-of-pack food ingredients and the nutrient based NRF8.3 scores suggests that ingredients can also be used to communicate the nutritional value of foods to the consumer. Dairy and fruit, when listed as first ingredients, were an important component of the NRF8.3 nutrient density score.
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 ».