Seeing the food swamp for the weeds: Moving beyond food retail mix in evaluating young people's food environments
Notice bibliographique
Résumé
Nutritional health of children and youth is an increasing cause for concern in Canada. Through food and beverage messaging in multiple environments, young people develop eating behaviours with ramifications throughout their life course. Unhealthy food retailers near schools, recreation facilities, and childcare centres-key activity settings for healthy eating promotion-present repeated, compounding exposures to commercial geomarketing. Geomarketing impacts nutritional health by promoting highly processed, calorie-dense, and nutrient-poor foods and beverages across urban landscapes. While food retail mix (as a ratio of healthy to unhealthy food retailers) can be used to assess food environments at multiple scales, such measures may misrepresent young people's unique experience of these geographic phenomena. Moving beyond uniform conceptualization of food environments, new research methods and tools are needed for children and youth. We investigated young people's food environments in the major Canadian cities of Calgary and Edmonton. Using government-initiated nutrition guidelines, we categorized 55.8% of all food retailers in Calgary, and 59.9% in Edmonton as 'unhealthy'. A Bernoulli trial at the 0.05 alpha level indicated few differences in prevalence proximal to activity settings versus elsewhere in both cities, demonstrating the limited applicability of food retail mix for characterizing young people's food environments. To model unhealthy food retailers geomarketing to children and youth, we considered their proximity to multiple activity settings, using overlapping radial buffers at the 250 m, 500 m, 1000 m, and 1500 m scales. Examining young people's food environments relative to the spaces where they learn and play, we determined that as many as 895 out of 2663 unhealthy food retailers fell within 1500 m of 21+ activity settings. By conceptualizing, measuring, and problematizing these "super-proximal" unhealthy food retailers, urban planners and public health researchers can use these techniques to pinpoint unhealthy food retailers, or "weeds in the food swamp," as a critical site for healthy eating promotion in municipalities.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».