Evaluating the impact of the Nutrition Facts table and front‐of‐pack nutrition rating systems on consumersˈ product healthiness evaluations
Notice bibliographique
Résumé
Few studies have examined how consumers use the Nutrition Facts table (NFT) and front‐of‐pack nutrition rating systems (FOPS) when presented with one or both sets of nutrition information, and whether there is an interaction between the two systems. 337 online survey participants were randomized to rate the healthiness of a frozen meal under one of five FOPS conditions, with or without a NFT: 1) no‐FOPS, 2) a manufacturer or 3) a non‐profit style summary indicator system (SIS), or 4) a traffic light or 5) a percent daily value nutrient‐specific system (NSS). Mann‐Whitney U tests were used to evaluate rating differences. When consumers were shown the various FOPS without a NTF, the non‐profit SIS group gave higher healthiness ratings than the NSS groups; the no‐ FOPS and the manufacturer SIS groups gave higher ratings than the percent daily value group (P<0.05). Other group comparisons were not significant. When consumers were shown the various FOPS with a NFT, none of the FOPS groups ratings were significantly different. Between no‐NFT/NFT conditions, consumers in the no‐FOPS and SIS groups gave higher healthiness ratings without a NFT. These results suggest that when provided with additional nutrition information on a product, as in NSSs and NFTs, consumers incorporate this information into their healthiness evaluations. Supported by Dairy Farmers of Canada, AFMNet, & CCO/CIHR Training Grant(#53893)
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 | 0,004 | 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 | 0,001 |
| 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 ».