Identifying factors that shape whether digital food marketing appeals to children
Notice bibliographique
Résumé
OBJECTIVE: Children are frequently exposed to unhealthy food marketing on digital media. This marketing contains features that often appeal to children, such as cartoons or bold colours. Additional factors can also shape whether marketing appeals to children. In this study, in order to assess the most important predictors of child appeal in digital food marketing, we used machine learning to examine how marketing techniques and children's socio-demographic characteristics, weight, height, BMI, frequency of screen use and dietary intake influence whether marketing instances appeal to children. DESIGN: We conducted a pilot study with thirty-nine children. Children were divided into thirteen groups, in which they evaluated whether food marketing instances appealed to them. Children's agreement was measured using Fleiss' kappa and the S score. Text, labels, objects and logos extracted from the ads were combined with children's variables to build four machine-learning models to identify the most important predictors of child appeal. SETTING: Households in Calgary, Alberta, Canada. PARTICIPANTS: 39 children aged 6-12 years. RESULTS: Agreement between children was low. The models indicated that the most important predictors of child appeal were the text and logos embedded in the food marketing instances. Other important predictors included children's consumption of vegetables and soda, sex and weekly hours of television. CONCLUSIONS: Text and logos embedded in the food marketing instances were the most important predictors of child appeal. The low agreement among children shows that the extent to which different marketing strategies appeal to children varies.
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 | 0,003 | 0,018 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».