MétaCan
Menu
Retour à la cohorte
Enregistrement W3035648039 · doi:10.3390/ijerph17114130

Integrating a Health Literacy Lens into Nutrition Labelling Policy in Canada

2020· article· en· W3035648039 sur OpenAlexafffundabout
Elizabeth Mansfield, Rana Wahba, Elaine De Grandpré

Notice bibliographique

RevueInternational Journal of Environmental Research and Public Health · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueConsumer Attitudes and Food Labeling
Établissements canadiensHealth Canada
Organismes subventionnairesCanadian Institutes of Health ResearchHealth Canada
Mots-clésHealth literacyPublic healthPublic relationsLabellingLiteracyHealth policyFace (sociological concept)Population healthHealth promotionEnvironmental healthHealth educationPopulationBusinessPolitical sciencePsychologyMedicineHealth careSociologyNursingSocial science

Résumé

récupéré en direct d'OpenAlex

An increasingly important concern in public health practice is health literacy. Simply stated, it refers to the interactions between individuals and health related information to make informed decisions concerning their health. Research shows that consumers face many health literacy challenges in accessing, understanding and evaluating nutrition labelling information when making food choices. The systematic integration of health literacy considerations into social science and consumer behaviour research can help address these challenges and better meet the needs of the increasingly diverse Canadian population. This application of a health literacy lens should be considered for all future food and nutrition labelling research, to maximize the positive impact of subsequent health policies and regulations on health outcomes and health status of Canadians.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,844
Score d'incertitude au seuil0,897

Scores Codex et Gemma par catégorie

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

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.

Tête enseignante Opus0,079
Tête enseignante GPT0,406
Écart entre enseignants0,327 · 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 tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
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

Citations35
Publié2020
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Environmental Research and Public HealthMême sujetConsumer Attitudes and Food LabelingTravaux en français237 207