MétaCan
Menu
Retour à la cohorte
Enregistrement W3133979819 · doi:10.2196/25202

The Nature and Extent of Online Marketing by Big Food and Big Alcohol During the COVID-19 Pandemic in Australia: Content Analysis Study

2021· article· en· W3133979819 sur OpenAlexvenueno aff
Florentine Martino, Ruby Brooks, Jennifer Browne, Nicholas Carah, Christina Zorbas, Kirstan Corben, Emma Saleeba, Jane Martin, Anna Peeters, Kathryn Backholer

Notice bibliographique

RevueJMIR Public Health and Surveillance · 2021
Typearticle
Langueen
DomainePsychology
ThématiqueCOVID-19 and Mental Health
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPandemicBusinessEnvironmental healthPublic healthPersonal hygieneCoronavirus disease 2019 (COVID-19)Promotion (chess)MarketingAdvertisingMedicineInfectious disease (medical specialty)DiseasePolitical scienceFamily medicine

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Emerging evidence demonstrates that obesity is associated with a higher risk of COVID-19 morbidity and mortality. Excessive alcohol consumption and "comfort eating" as coping mechanisms during times of high stress have been shown to further exacerbate mental and physical ill-health. Global examples suggest that unhealthy food and alcohol brands and companies are using the COVID-19 pandemic to further market their products. However, there has been no systematic, in-depth analysis of how "Big Food" and "Big Alcohol" are capitalizing on the COVID-19 pandemic to market their products and brands. OBJECTIVE: We aimed to quantify the extent and nature of online marketing by alcohol and unhealthy food and beverage companies during the COVID-19 pandemic in Australia. METHODS: We conducted a content analysis of all COVID-19-related social media posts made by leading alcohol and unhealthy food and beverage brands (n=42) and their parent companies (n=12) over a 4-month period (February to May 2020) during the COVID-19 pandemic in Australia. RESULTS: Nearly 80% of included brands and all parent companies posted content related to COVID-19 during the 4-month period. Quick service restaurants (QSRs), food and alcohol delivery companies, alcohol brands, and bottle shops were the most active in posting COVID-19-related content. The most common themes for COVID-19-related marketing were isolation activities and community support. Promotion of hygiene and home delivery was also common, particularly for QSRs and alcohol and food delivery companies. Parent companies were more likely to post about corporate social responsibility (CSR) initiatives, such as donations of money and products, and to offer health advice. CONCLUSIONS: This is the first study to show that Big Food and Big Alcohol are incessantly marketing their products and brands on social media platforms using themes related to COVID-19, such as isolation activities and community support. Parent companies are frequently posting about CSR initiatives, such as donations of money and products, thereby creating a fertile environment to loosen current regulation or resist further industry regulation. "COVID-washing" by large alcohol brands, food and beverage brands, and their parent companies is both common and concerning. The need for comprehensive regulations to restrict unhealthy food and alcohol marketing, as recommended by the World Health Organization, is particularly acute in the COVID-19 context and is urgently required to "build back better" in a post-COVID-19 world.

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)0,004
score de la tête « metaresearch » (Gemma)0,015
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,028

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0040,015
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0030,003
Études des sciences et des technologies0,0010,001
Communication savante0,0020,002
Science ouverte0,0000,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,150
Tête enseignante GPT0,435
Écart entre enseignants0,286 · 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'étudeObservationnel
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

Citations36
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Public Health and SurveillanceMême sujetCOVID-19 and Mental HealthTravaux en français237 207