MétaCan
Menu
Retour à la cohorte
Enregistrement W3089055771 · doi:10.1002/oby.22992

How Does the Probability of Purchasing Moderately Sugary Beverages and 100% Fruit Juice Vary Across Sugar Tax Structures?

2020· article· en· W3089055771 sur OpenAlexafffund
Rachel B. Acton, Sharon I. Kirkpatrick, David Hammond

Notice bibliographique

RevueObesity · 2020
Typearticle
Langueen
DomaineMedicine
ThématiqueObesity, Physical Activity, Diet
Établissements canadiensUniversity of Waterloo
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésPurchasingOddsSugarFruit juiceBusinessFood scienceMedicineMarketingChemistryLogistic regression

Résumé

récupéré en direct d'OpenAlex

OBJECTIVE: Sugar-sweetened beverage taxes are increasingly used to discourage sugar intake; however, the impact on consumer preferences for particular products is largely unknown. This study explored the impact of two tax structures (tiered vs. nontiered and inclusive vs. exclusive of 100% fruit juice) on participants' probability of purchasing moderately sugary beverages and 100% fruit juice. METHODS: A sample of 3,584 Canadians aged 13 years and older completed a series of beverage purchasing tasks, each corresponding to a different tax condition, within an experimental marketplace. Tax conditions included a no-tax control, plus four taxes varying by structure (tiered vs. nontiered) and whether or not 100% fruit juice was included. RESULTS: The odds of purchasing a moderately sugary beverage were higher under tiered versus nontiered taxes. Purchases of higher sugar beverages differed little across tiered versus nontiered structures. Odds of purchasing 100% fruit juice were lower when these products were taxed versus not taxed. CONCLUSIONS: Results suggest that two key tax structures are likely to function as expected; taxes including 100% fruit juice products may lead to lower probability of purchasing fruit juice, and taxes incorporating multiple tiers may be more likely to encourage purchases of moderately sugary products than nontiered formats.

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)0,012
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,365
Score d'incertitude au seuil0,726

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,012
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,001
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0010,000
Intégrité de la recherche0,0010,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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 Opus0,030
Tête enseignante GPT0,273
Écart entre enseignants0,243 · 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'étudeSimulation ou modélisation
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

Citations3
Publié2020
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueObesityMême sujetObesity, Physical Activity, DietTravaux en français237 207