Food Preferences in a Greenlandic Population
Notice bibliographique
Résumé
The overall aim was to describe food reward in an Inuit population in Greenland. More specifically, the objective was to first test the differences in food reward for sweet relative to savory food (taste bias) after four weeks on a traditionally Inuit diet (TID) vs a Westernized diet (WD). If no differences in taste bias were found between diet groups, we aimed to describe food reward in a pooled sample (median [IQR]). We hypothesized that participants would have higher preferences for sweet compared to savory foods. After a dietary intervention in Greenland (20% of foods provided), we measured behavioral components of food reward using the Leeds Food Preference Questionnaire. The reward components, explicit liking and implicit wanting, were measured in response to images of Western foods varying in fat content and taste after four weeks on either TID or WD. A positive bias score reflected preference for sweet over savory, and oppositely a negative bias score reflected preference for savory over sweet foods. Participant characteristics were similar in the two diet groups (age (mean (SD): TID = 58.1 (11.5) vs. WD = 55.4 (9.5) years); sex: TID = 50% vs. WD = 54% women; body mass index (mean (SD): TID = 26.6 (5.5) vs. WD = 27.9 (4.7) kg/m2). In these preliminary, unadjusted analyses, we found no differences in explicit liking (P = 0.77) or implicit wanting (P = 0.70) bias score for sweet over savory foods after four weeks following either TID (n = 26) or WID (n = 24). Altogether, participants in the two diet groups had a greater explicit liking (−11.5 [−19.9; −2.8]) and implicit wanting (−21.6 [−44.2; −5.2]) for savory compared to sweet foods. This is the first study to examine explicit and implicit aspects of food reward in an Inuit population. Contrary to our hypothesis, this population did not prefer sweet over savory Western foods. The study was supported by unrestricted grants from The Novo Nordisk Foundation. Royal Greenland and the supermarket chains Kalaallit Nunaanni Brugseni & Pilersuisoq supported the study with foods and food logistics.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| 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) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».