MétaCan
Menu
Retour à la cohorte
Enregistrement W3031212940 · doi:10.7202/1068830ar

Meal planning as a strategy to support healthy eating

2020· article· en· W3031212940 sur OpenAlexaffvenueabout
Melissa Anne Fernandez, Sophie Desroches, Marie Marquis, Véronique Provencher

Notice bibliographique

RevueNutrition, science en évolution · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueObesity, Physical Activity, Diet
Établissements canadiensUniversité LavalUniversité de MontréalUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésMealMeal preparationOddsEnvironmental healthMedicineHealthy eatingPublic healthFood scienceNursingPhysical activityPhysical therapy

Résumé

récupéré en direct d'OpenAlex

Meal planning is cited in the latest version of Canada’s Dietary Guidelines as one of four important food skills that help individuals choose, purchase and prepare healthy snacks and foods on a regular basis for themselves and members of their household. While meal planning is often mentioned as a strategy to overcome the main barrier to healthy eating, lack of time, it may also assist individuals reduce stress related to mealtimes and increase frequency of family meals. Although, there is relatively sparse literature that meal planning confers benefits to the diet, there is a history of evidence indicating that it helps manage dietary restrictions related to specific diseases (e.g., diabetes), which can translate into helping the general public consume more fruits and vegetables, while consuming fewer processed foods. In 2013 Health Canada implemented a one-year communication campaign to promote meal planning to Canadian parents as a strategy to increase home-based food preparation and family meals. The campaign evaluation found that awareness was associated with greater odds of having more positive attitudes towards meal planning. However, more than half of parents also reported that lack of time was a major barrier for meal planning. Dietitians can recommend meal planning as a viable strategy to help the public and patients overcome barriers to healthy eating. However, they will likely also need to provide guidance through education and tools to overcome barriers related to meal planning.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,193
Score d'incertitude au seuil0,384

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0030,001
Communication savante0,0020,001
Science ouverte0,0010,002
Intégrité de la recherche0,0010,003
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,052
Tête enseignante GPT0,353
Écart entre enseignants0,302 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations8
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueNutrition, science en évolutionMême sujetObesity, Physical Activity, DietTravaux en français237 207