Geographic reach and nutritional quality of foods available from mobile online food delivery service applications: novel opportunities for retail food environment surveillance
Notice bibliographique
Résumé
BACKGROUND: Online Food Delivery Services (OFDS) have rapidly expanded in North America, but their implications for geographic access to food and potential dietary outcomes of their use are poorly understood. The purpose of this paper is to examine the extent to which OFDS may geographically expand retail food environments. A secondary objective is to evaluate the healthfulness of foods available on mobile OFDS in a large Canadian city using the Healthy Eating Index-2015 (HEI-2015). METHODS: Retailers' distance from delivery location was assessed on a large ODFS platform using 24 randomly selected urban postal codes in Ontario, Canada (n = 480 retailers). Distance to the first 10 and the last 10 listed retailers in each postal code was examined in relation to a) city population, b) city population density, and c) whether retailers appeared first or last. Second, to determine the healthfulness of food items available, menus of twelve retailers (n = 759 menu items) from four popular OFDS platforms available in Mississauga, Ontario, were coded using the Food and Nutrient Database for Dietary Studies-2015, and Food Patterns Equivalents Database-2015. Coded items were used to derive HEI-2015 scores. RESULTS: Delivery distances from the sample of postal codes in Ontario ranged from 0.3 km to 9.4 km (mean 3.7 km), and the total number of retailers available to each postal code ranged from 33 to 472. Substantial, positive correlations existed between total number of retailers available and both city population (r = 0.71), and population density (r = 0.51). HEI-2015 scores for retailers' full menus were typically low, and ranged from 19.95 to 50.78 out of 100. CONCLUSIONS: OFDS substantially increases geographic access to foods prepared away from home (by up to 9 km and 472 restaurants). Food offerings on OFDS applications do not meet healthy eating recommendations. Given the projected continued rapid expansion of OFDS, particularly in the midst of a global pandemic, surveillance and future research on OFDS and population dietary health is warranted.
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) | 0,000 | 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 ».