Investigating self‐reported food allergy prevalence in Waterloo Region, Canada
Notice bibliographique
Résumé
While food allergy prevalence has been studied at the national level, we know little of food allergy prevalence or perceptions of prevalence/management at the local level. This paper uses Waterloo Region as a case study to 1) document self‐reported individual and household food allergy and sensitivity prevalence at the local level; 2) investigate perceptions of food allergy prevalence; and 3) explore perceived confidence in anaphylaxis management. Survey data were collected from January to March 2019. Respondents (n = 500) self‐reported individual and household food allergy and sensitivity, estimated the percentage of Canadians with food allergy, and were queried about their knowledge of food allergy management. Prevalence estimates were weighted to the structure of the 2016 Canadian Census, and univariate and bivariate analysis were conducted. Prevalence of self‐reported food allergy was 12.1% (95%CI, 8.8%‐15.3%), and prevalence of self‐reported food sensitivity was 26.3% (95%CI, 21.9%‐30.7%). When asked to estimate the percentage of Canadians with food allergy, the mean perceived percentage was 35.1% (SD = 22.96). Self‐reported prevalence of food allergy appears higher in Waterloo Region, and the estimated percentage of Canadians with food allergy is inflated. Understanding prevalence and perceptions at the local level is important for targeted allocation of public health resources to ensure safe spaces for individuals with food allergy.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».