Patterns and correlates of nutrition knowledge across five countries in the 2018 international food policy study
Notice bibliographique
Résumé
BACKGROUND: Nutrition knowledge is an important determinant of diet-related behaviour; however, the use of disparate assessment tools creates challenges for comparing nutrition knowledge levels and correlates across studies, geographic contexts, and populations. Using the Food Processing Knowledge (FoodProK) score - a measure of nutrition knowledge based on consumers' ability to understand and apply the concept of food processing in a functional task - nutrition knowledge levels and associated correlates were assessed in five countries. METHODS: Adults, aged ≥18 years, were recruited through the Nielsen Consumer Insights Global Panel in Australia (n = 3997), Canada (n = 4170), Mexico (n = 4044), the United Kingdom (UK) (n = 5363), and the United States (US) (n = 4527). Respondents completed web-based surveys in November-December 2018. Functional nutrition knowledge was measured using the FoodProK score. Linear regression models examined associations between FoodProK score and sociodemographic, dietary behaviours, and knowledge-related characteristics. RESULTS: FoodProK scores (maximum, 8 points) were highest in Canada (mean: 5.1) and Australia (5.0), followed by the UK (4.8), Mexico (4.7), and the US (4.6). Health literacy and self-rated nutrition knowledge were positively associated with FoodProK scores (p < .001). FoodProK scores were higher among those who reported vegetarian/other dietary practices (p < .001); made efforts to consume less sodium, trans fats, or sugars (p < .001); ≥60 years (p = 0.002), female (p < .001), and 'majority' ethnic group respondents in their respective countries (p < .001). CONCLUSIONS: This study found differences in consumers' ability to distinguish levels of food processing for common foods, with somewhat lower levels of nutrition knowledge in countries with the highest intake of highly processed foods. Nutrition knowledge differences based on consumer characteristics highlight the need for accessible policy interventions that support uptake of healthy eating efforts across populations to avoid exacerbating nutrition-related disparities. Tools such as the FoodProK can be used to evaluate the impact of policies targeting nutrition knowledge across contexts.
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 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».