Geographic and Longitudinal Trends in Media Framing of Obesity in the United States
Notice bibliographique
Résumé
OBJECTIVE: The media's framing of public health issues is closely linked to public opinion on these issues and support for interventions to address them. This study characterized geographic and temporal variation in the US media's framing of obesity across states from 2006 to 2015. METHODS: Newspaper articles that mentioned the term obesity were drawn from Access World News (NewsBank, Inc., Naples, Florida), a comprehensive online database (N = 364,288). This study employed automated content analysis, a machine learning technique, to categorize articles as (1) attributing obesity to individual-level causes (e.g., lifestyle behaviors), (2) attributing obesity to environmental/systemic causes (e.g., neighborhood walkability), (3) attributing obesity to both individual-level causes and environmental/systemic causes, or (4) articles without any such attribution framework. RESULTS: Nationwide across all years, a higher proportion of articles focused on individual-level attribution of obesity than environmental-level attribution or both. Missouri and Idaho had the highest proportions of articles with an individual framework, and Nevada, Arkansas, and Wisconsin had the highest proportions of articles with an environmental framework. CONCLUSIONS: This analysis demonstrates that US media sources heavily focus on an individual framing of obesity, which may be informing public perceptions of obesity. By highlighting differences in obesity media portrayal, this study could inform research to understand why particular states represent outliers and how this may affect obesity policy making.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 | 0,001 |
| 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 ».