Sweetener Purchases in Chile before and after Implementing a Policy for Food Labeling, Marketing, and Sales in Schools
Notice bibliographique
Résumé
Chile’s landmark food labeling and advertising policy led to major reductions in sugar purchases. However, it is unclear whether this led to increases in the purchases of nonnutritive sweeteners (NNS). The objective of this study was to assess the changes in NNS and caloric-sweetened (CS) products purchased after the law’s first phase. Longitudinal data on food and beverage purchases from 2,381 households collected from January 1, 2015 to December 31, 2017, were linked to nutritional information and categorized into added sweetener groups (unsweetened, NNS-only, CS-only, or NNS with CS). Logistic random-effects models and fixed-effects models were used to compare the percentage of households purchasing products and the mean volume purchased by sweetener category to a counterfactual based on pre-regulation trends. Compared with the counterfactual, the percentage of households purchasing any NNS beverages (NNS-only or NNS with CS) increased by 4.2 percentage points (pp) (95% CI: 2.8, 5.7; P < 0.01). This increase was driven by households purchasing NNS-only beverages (12.1 pp, 95% CI: 10.0, 14.2; P < 0.01). The purchased volume of beverages with any NNS increased by 25.4 mL/person/d (95% CI: 20.1, 30.7; P < 0.01) or 26.5%. Relative to the counterfactual, there were declines of -5.9 pp in households purchasing CS-only beverages (95% CI: −7.0, −4.7; P < 0.01). Regarding the types of sweeteners purchased, we found significant increases in the amounts of sucralose, aspartame, acesulfame K, and steviol glycosides purchased from beverages. Among foods, differences were minimal. The first phase of Chile’s law was associated with an increase in the purchases of beverages containing NNS and decreases in beverages containing CS, but virtually no changes in foods.
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 | 0,002 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».