Adolescents’ media usage and self-reported exposure to advertising across six countries: implications for less healthy food and beverage marketing
Notice bibliographique
Résumé
OBJECTIVES: The study objectives were to examine: (1) adolescents' media viewing habits, (2) associations with media viewing and self-reported exposure to unhealthy food and beverage advertising and (3) differences in trends among younger and older adolescents in six high and upper middle-income countries. DESIGN: Repeat cross-sectional online survey. SETTING: Australia, Canada, Chile, Mexico, the United Kingdom (UK) and the United States of America (USA). PARTICIPANTS: Respondents to the International Food Policy Study who provided information on all variables of interest in November-December 2019 aged 10-17 years (n=9171). OUTCOME MEASURES: Self-reported exposure to screen-based media (screen time by media channel), use of social media platforms and self-reported location and frequency of exposure to unhealthy food and beverage advertising. RESULTS: The average amount of time spent in front of various screens ranged from 7.6 hours to 10.2 hours across countries per week day, which may include possible viewing of multiple media channels simultaneously. Overall, Instagram was the most popular social media platform (52%-68% by country), followed by Facebook (42%-79%) and Snapchat (28%-52%). The percentage of respondents who self-reported having seen unhealthy food advertisements in the past 30 days was highest on television (43%-69%), followed by digital media (27%-60%) and gaming applications (10%-17%). Self-reported daily exposure to advertising varied between countries for sugary drinks (10%-43%) and fast food (19%-44%) and was positively associated with self-reported screen time. Self-reported exposure to screen-based media and social media platforms differed by sociodemographic characteristics and was higher among older adolescents than younger adolescents. CONCLUSIONS: The important amount of time spent on screen-based media reported by adolescents and large percentage of adolescents reporting social media usage, coupled with high rates of self-reported advertising exposure, support the need for policies to restrict marketing of unhealthy food and beverages appealing to adolescents on screen-based media.
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 | 0,000 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».