Implicit and explicit safety evaluation of foods: The importance of food processing
Notice bibliographique
Résumé
Identifying beneficial foods in the environment, while avoiding ingesting something toxic is a crucial task humans face on a daily basis. Here we directly examined adults’ implicit and explicit safety evaluations of the same foods presented with different degrees of processing, ranging from unprocessed (raw) to processed (cut or cooked). Moreover, we investigated whether individual characteristics (e.g., Body Mass Index, food neophobia and hunger) modulated their evaluations. We hypothesized that adults would associate the processed form of a food with safety more than its unprocessed form since processing techniques, which are ubiquitously applied in different cultures, often reduce the toxicity of foods, and signal previous human intervention and intended consumption. Adults (N = 109, 43 females) performed an implicit Go/No-Go association task (GNAT) online, assessing the association between safety attributes and food images differing on their degree of processing; both unfamiliar and familiar foods were used. Then, each food was explicitly evaluated. Results revealed that individual characteristics affected both implicit and explicit evaluations. Individuals with overweight and obesity had a strong and positive implicit association between processed foods and safety attributes, but explicitly rated cooked foods as the least safe overall, this latter result was found in highly neophobic individuals as well. Yet, at the explicit level, when looking at unfamiliar foods only, processed foods were rated safer than unprocessed foods by all participants. Our results are the first evidence that directly highlights the relevance of the degree of processing in food safety evaluation and suggest that thinking of the important tasks humans face regarding food selection enriches our understanding of food behaviors.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,005 |
| 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 | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 source (Gemma direct ou Codex distillé), 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 ».