Changes in the Use of Non-nutritive Sweeteners in the Chilean Food and Beverage Supply After the Implementation of the Food Labeling and Advertising Law
Notice bibliographique
Résumé
Reductions on the sugars content of the food supply have been described after the initial implementation Chilean Labeling Law, but it is unclear if sugars were replaced by non-caloric sweeteners (NNS). We evaluated changes in the NNSs use in foods and beverages after the initial implementation of the labeling law. We used longitudinal data on packaged foods and beverages collected in six major supermarkets and three candy distributors in Santiago, Chile, in January–February 2015/2016 and in January–February 2017. We included in the analysis beverages, dairy-based beverages, yogurts, breakfast cereals, desserts and ice creams, candies and sweet confectioneries, and sweet spreads with a market share ≥1% of their food groups ( n = 999). We compared the use of any NNS, the number of different NNSs used, and the combined use of NNSs and ingredients adding sugars using non-parametric tests for matched samples. We evaluated the association between a reduction in sugars and starting NNS use in the post-implementation period using negative binomial regression. The use of any NNS increased from 37.9 to 43.6% ( p < 0.001) after the law's implementation, NNSs increased among beverages, dairy-based beverages, yogurts, and desserts and ice creams ( p < 0.05), driven mostly by increases in sucralose and stevia use ( p < 0.05). We found that reformulated products that reduced the amount of sugars below the law's cutoff were more likely to start using an NNS in the post-implementation period (prevalence ratio: 12.1; 95%CI: 7.2–20.2; p < 0.001). Our results suggest that NNSs likely replaced sugars after the initial implementation of the law. Further analyses should explore how these changes may impact NNS consumption.
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 ».