Young Children’s Food-Related Receptive Language and Acceptance of a Novel Food
Notice bibliographique
Résumé
Little inquiry has been undertaken regarding the interface of children's development of eating behaviors and their understanding of food-related (FR) words. Thus, we explored the relationship between young children's understanding of FR vocabulary (FR receptive language) and their acceptance of a novel food. Caregivers (n = 35) and children ages 7–24 mo (n = 12 infants age <12 mo; n = 23 toddlers age ≥12 mo) participated in a study in which caregivers offered a novel food (nutrition supplement added to infant oatmeal) to their children. Novel food acceptance was measured as g consumed. The Communicative Development Inventory assessed caregiver perceptions of infants’ understanding of 154 words related to food and eating (FR receptive language). A linear regression model with FR receptive language, age (toddler vs. infant) and a FR receptive language-by-age interaction was used to predict acceptance of the novel food. Covariates included infant sex and BMI z-score and a p < 0.1 was chosen for this exploratory study. As expected, caregivers reported that infants understood fewer words as compared to toddlers (median [IQR]; 7 [13] vs. 33 [46], respectively). The relationship between FR receptive language and novel food acceptance differed by age (F = 8.08, p = 0.01). Among toddlers, greater FR receptive language (more food-related words understood) was associated with greater novel food acceptance (β [95% CI], 0.22g [−0.04, 0.49], p = 0.09). In younger infants, greater FR receptive language was associated with lower novel food acceptance (−0.80g [−1.53, −0.07], p = 0.03). Receptive language facilitates children's understanding of their environment and contributes to shaping their behavior. Our preliminary findings suggest that greater FR receptive language may facilitate acceptance of novel food in toddlers. Younger infants were perceived to understand few words and may not have enough receptive language to positively influence food acceptance. This work was supported by the Government of Canada, as part of the Business Platform for Nutrition Research (BPNR) hosted by the Global Alliance for Improved Nutrition.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».