Junk Food Accessibility After 10 Years of a Restrictive Food Environment Zoning Policy Around Schools
Notice bibliographique
Résumé
Problem, research strategy, and findings Zoning has been proposed as a way of reducing unhealthy food access for youth, but little research has evaluated outcomes of proposed or existing junk food bans, and even less research has considered equity implications of such zoning policies. In this simulation study, set in the Region of Waterloo, Ontario (Canada), we examined how secondary student access to fast food restaurants and convenience stores would change under such a policy over 10 years in a mid-sized Canadian municipality. Outcomes are presented by school-level advantage (derived from the proportion of students in equity-deserving subgroups: low income, students who speak English as an additional language, and students not born in Canada). Current fast food restaurant and convenience store access was higher around schools with a higher proportion of equity-deserving students, and access remained higher around these schools even after 10 years under each policy scenario. After 10 years, the mean number of fast food restaurants and convenience stores within a 1-km network distance still exceeded five unhealthy outlets for both disadvantaged and advantaged schools, which was above the threshold associated with lower junk food consumption among youth. These findings bring into question the potential effectiveness and equity implications of restrictive zoning policies aimed at protecting youth from poor-quality food environments.Takeaway for practice Planners may consider prioritizing interventions to improve the healthfulness of food environments around schools where there are large proportions of equity-deserving students, but consideration of different interventions seems warranted in this context.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,001 |
| 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 ».