Development of an Artificial Intelligence System to Monitor Digital Marketing of Unhealthy Food to Children: Research Protocol
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Unhealthy food marketing to children adversely affects their diet quality and health. The negative impacts of this marketing may be amplified on digital media, which allows industry to use artificial intelligence (AI) to market unhealthy food to children in covert ways. Health Canada is developing regulations to prohibit digital marketing of unhealthy food that appeals to children <13 years. However, reliance on adults to manually assess food marketing to children on digital media has limited understanding of key targets for policy and capacity to monitor policy adherence. To address these gaps, we are developing an AI system to monitor marketing of unhealthy food to children on digital media, including websites, YouTube, social media and mobile gaming apps. Our web and mobile scrapers continuously collect marketing instances that may be viewed by individuals in Canada on websites and social media applications popular with children. This has allowed us to accumulate a database of > 615,000 marketing instances. The AI system extracts features from each marketing instance to determine whether foods are present, and if so, whether they are unhealthy according to Health Canada's standards (based on the presence of added saturated fat, added sodium and/or free sugars). Next, the AI system uses a supervised machine learning model to assess whether child appealing marketing techniques are present. In the final step, the system integrates all of the data collected to determine whether a given marketing instance features unhealthy foods and appeals to children. The system can be applied to monitor the extent and nature of digital food marketing to children internationally. It can also be retrained to monitor adherence to country-specific policy. This is a protocol paper so there are no results. The AI system provides a scalable, objective and reproducible manner to identify digital marketing of unhealthy food that appeals to children across the digital marketing landscape. The system can assist researchers and policy makers to study children's exposure to digital marketing of unhealthy food and its impacts, and to monitor adherence to policy that restricts this marketing. Canadian Institutes of Health Research.
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.
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 | 0,001 | 0,001 |
| 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 découle