A Fit-for-Purpose Nutrient Profiling Model to Underpin Food and Nutrition Policies in South Africa
Notice bibliographique
Résumé
South Africa (SA) is facing a rising prevalence of obesity and diet-related chronic diseases. The government is seeking to develop effective, evidence-based policy measures to address this. A well-designed, fit-for-purpose nutrient profiling model (NPM) can aid policy development. The aim of this study was to develop a fit-for-purpose NPM in SA. Steps included: (1) determining the purpose and target population; (2) selecting appropriate nutrients and other food components to include; (3) selecting a suitable NPM type, criteria and base; and (4) selecting appropriate numbers and thresholds. As part of the evaluation, the nutritional composition of packaged foods containing nutritional information (n = 6747) in the SA food supply chain was analyzed, a literature review was undertaken and various NPMs were evaluated. Our findings indicated that it is most appropriate to adapt an NPM and underpin regulation with a restrictive NPM that limits unhealthy food components. The Chile 2019 NPM was identified as suitable to adapt, and total sugar, saturated fat, sodium and non-sugar sweetener were identified as appropriate to restrict. This NPM has the potential to underpin restrictive policies, such as front-of-package labelling and child-directed marketing regulations in SA. These policies will support the fight against obesity and NCDs in the country.
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 | 0,000 |
| 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 ».