Digital Interventions to Promote Healthy Eating in Children: Umbrella Review
Notice bibliographique
Résumé
BACKGROUND: eHealth and web-based service delivery have become increasingly common during the COVID-19 pandemic. Digital interventions may be highly appealing to young people; however, their effectiveness compared with that of the usual face-to-face interventions is unknown. As nutrition interventions merge with the digital world, there is a need to determine the best practices for digital interventions for children. OBJECTIVE: The aim of this study is to examine the effectiveness of digital nutrition interventions for children on dietary outcomes compared with status quo interventions (eg, conventional face-to-face programming or nondigital support). METHODS: We conducted an umbrella review of systematic reviews of studies assessing primary research on digital interventions aimed at improving food and nutrition outcomes for children aged <18 years compared with conventional nutrition education were eligible for inclusion. RESULTS: In total, 11 systematic reviews published since 2015 were included (7/11, 64%, were of moderate quality). Digital interventions ranged from internet, computer, or mobile interventions to websites, programs, apps, email, videos, CD-ROMs, games, telehealth, SMS text messages, and social media, or a combination thereof. The dose and duration of the interventions varied widely (single to multiple exposures; 1-60 minutes). Many studies have been informed by theory or used behavior change techniques (eg, feedback, goal-setting, and tailoring). The effect of digital nutrition interventions for children on dietary outcomes is small and inconsistent. Digital interventions seemed to be the most promising for improving fruit and vegetable intake compared with other nutrition outcomes; however, reviews have found mixed results. CONCLUSIONS: Owing to the heterogeneity and duration of digital interventions, follow-up evaluations, comparison groups, and outcomes measured, the effectiveness of these interventions remains unclear. High-quality evidence with common definitions for digital intervention types evaluated with validated measures is needed to improve the state of evidence, to inform policy and program decisions for health promotion in children. Now is the time for critical, robust evaluation of the adopted digital interventions during and after the COVID-19 pandemic to establish best practices for nutrition interventions for children.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».