Assessing food and nutrition literacy in children and adolescents: a systematic review of existing tools
Notice bibliographique
Résumé
OBJECTIVE: Food literacy (FL) and nutrition literacy (NL) are concepts that can help individuals to navigate the current food environment. Building these skills and knowledge at a young age is important for skill retention, confidence in food practices and supporting lifelong healthy eating habits. The objectives of this systematic review were to: (i) identify existing tools that measure FL and NL among children and/or adolescents and (ii) describe the psychometric properties. DESIGN: A 4-phase protocol was used to systematically retrieve articles. The search was performed in May 2021. Study characteristics and psychometric properties were extracted, and a narrative synthesis was used to summarise findings. Risk of bias was assessed using the COSMIN checklist. SETTING: Six databases were searched to identify current tools. PARTICIPANTS: Children (2-12 years) and adolescents (13-18 years) participated in this study. RESULTS: Twelve tools were identified. Three tools measured FL, 1 tool measured NL, 4 tools measured both FL and NL, and 4 tools measured subareas of NL-more specifically, critical NL, food label and menu board literacy. Most tools were self-reported, developed based on a theoretical framework and assessed some components of validity and/or reliability for a specific age and ethnic group. The majority of tools targeted older children and adolescents (9-18 years of age), and one tool targeted preschoolers (3-6 years of age). CONCLUSIONS: Most widely used definitions of FL and NL do not acknowledge life-stage specific criterion. Continued efforts are needed to develop a comprehensive definition and framework of FL and NL appropriate for children, which will help inform future assessment tools.
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 | 0,012 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,004 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 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 ».