Association Between Intake of Ultra-Processed Food and Hours Worked: An Analysis of 2015-2018 NHANES
Notice bibliographique
Résumé
Ultra-processed foods (UPFs) are foods that are typically ready-to-heat or eat and usually contain additives and substances not commonly used in food preparation. They make up around 60% of caloric intake in the US, but research has linked them with numerous detrimental effects on humans. This paper investigated the association between the number of hours worked per week and UPF consumption in the US to determine if addressing hours worked could potentially limit UPF intake. Though researchers have identified consequences of frequent UPF intake, not much is known about its possible causes. Using 2015-2018 NHANES data, ordinal logistic regression was performed to examine the relationship of interest. The major findings were that (1) UPFs contributed to around 65.2% of daily caloric intake in the US, and (2) there was no significant relationship between hours worked and UPF consumption. The high percent contribution reveals that UPFs make up a significant portion of American diets, and the observed lack of association aligns with previous findings that hours worked may not significantly impact feelings of time pressure (and resulting food choices). However, these analyses are limited in that NHANES does not categorize foods as UPF/non-UPF beforehand and potentially influential variables that were not asked about could not be accounted for. Overall, the high rate of consumption reinforces the need for more research about UPF intake reduction strategies, and the non-significant relationship of interest suggests that hours worked may not be an effective variable to analyze for its impact on UPF 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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 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 ».