Acheter des fruits et légumes locaux sur mon chemin : analyse de la fréquentation et des premiers effets du Marché solidaire Cadillac
Notice bibliographique
Résumé
Les systèmes alimentaires alternatifs font partie des stratégies prometteuses pour améliorer l’accès aux fruits et légumes (FL) frais des populations défavorisées et mal desservies. Peu de données probantes existent pour saisir leur portée et leur efficacité. Suite à l’implantation d’un kiosque maraîcher à la sortie d’une station de métro de Montréal, cette étude vise à analyser l’évolution de sa fréquentation, du profil de ses utilisateurs et les caractéristiques des utilisateurs rapportant une augmentation de leurs achats de FL au cours des deux premières saisons. Deux sources de données ont été analysées : les données de ventes recueillies par une application de paiement mobile et une enquête répétée auprès des utilisateurs (2016, n=214 ; 2017, n=151). Une augmentation significative de la fréquentation a été observée, les utilisateurs de 2017 achetaient plus au kiosque. Une plus grande proportion d’entre eux le fréquentait hebdomadairement et rapportait une consommation d'au moins 5 FL/jour. Les utilisateurs de 2017 étaient majoritairement plus favorisés qu’en 2016. En 2017, 23% affirmaient acheter davantage de FL, comparativement à 12% en 2016. Les caractéristiques des 23% correspondraient davantage à la population ciblée. Par ailleurs, ils étaient plus susceptibles de fréquenter le kiosque hebdomadairement, de percevoir peu abordables les FL de leur quartier et de ne pas avoir accès à une automobile. Un an après son ouverture, le kiosque affiche un certain succès, mais sa capacité à rejoindre les populations défavorisées est mitigée. Au-delà de l'amélioration de l'accès physique, l’ajout d’incitatifs réduisant les barrières économiques serait plus efficace pour diminuer les inégalités de santé.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».