The efficacy of ‘high in’ warning labels, health star and traffic light front-of-package labelling: an online randomised control trial
Notice bibliographique
Résumé
OBJECTIVE: To examine the impact of front-of-package (FOP) labels on perceived healthfulness, purchasing intentions and understanding of common FOP systems. DESIGN: A parallel, open-label design randomised participants to different FOP labelling conditions: 'high in' warning labels (WL), multiple traffic light labelling (TLL), health star ratings (HSR) (all displayed per serving) or control with no interpretive FOP labelling. Participants completed a brief educational session via a smartphone application and two experimental tasks. In Task 1, participants viewed healthy or unhealthy versions of four products and rated healthiness and purchasing intention on a seven-point Likert-type scale. In Task 2, participants ranked three sets of five products from healthiest to least healthy. SETTING: Online commercial panel. PARTICIPANTS: Canadian residents ≥ 18 years who were involved in household grocery shopping, owned a smartphone and met minimum screen requirements. RESULTS: Data from 1997 participants (n 500/condition) were analysed. Task 1: across most product categories, the TLL and HSR increased perceived healthiness of healthier products. All FOP systems decreased perceived healthiness of less healthy products. Similar, albeit dampened, effects were seen regarding purchasing intentions. Task 2: participants performed best in the HSR, followed by the TLL, WL and control conditions. Lower health literacy was associated with higher perceived healthiness and purchasing intentions and poorer ranking task performance across all conditions. CONCLUSIONS: All FOP labelling systems, after a brief educational session, improved task performance across a wide spectrum of foods. This effect differed depending on the nutritional quality of the products and the information communicated on labels.Trial Registration: NCT03290118.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 ».