Use of persuasive strategies in food advertising on television and on social media in Brazil
Notice bibliographique
Résumé
We analyzed the use of persuasive advertising strategies by 18 food brands on TV and Facebook, Instagram, and YouTube in Brazil in April 2018. Advertising strategies were investigated from three groups: power of advertising strategies (n = 10) (e.g., use of licensed character, celebrities, awards, etc), use of the prize offering (n = 9) (e.g., pay 2 take 3 or more, gifts or collectable, limited edition, etc), and use of brand benefit claims (n = 8) (e.g., messages that exalt sensory-based characteristics such as flavor, taste, aroma and recommend how to use/consume the product, etc). Almost 90% of the brands were ultra-processed foods producers and they carried 52 ads on TV and 194 posts on social media platforms. A higher frequency of the strategy 'cartoon/company owned character' was found on TV ads (19.2%; p < 0.0001) in comparison to social media platforms (0% on the three platforms) while the presence of 'famous sportsperson/team' prevailed on YouTube (41.4%) in comparison to TV (19.2%), Facebook (10.9%) and Instagram (9.1%), p < 0.0001. On YouTube ads, the claims 'sensory-based characteristics' (86.2%), 'suggested use' (51.7%), and 'emotive claims' (31.0%) were more commonly seen in comparison to the other media, while the claims about 'new brand developments' (23.1%), 'price' (9.6%) and 'suggesting to children and the whole family to use the advertised product' (21.1%) prevailed on TV. Ultra-processed food brands are the main food companies that advertise on Brazilian TV and social media and the message transmitted by these brands varies in each media according to the advertising strategies that are used.
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 | 0,001 | 0,010 |
| 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 ».