Towards effective restriction of unhealthy food marketing to children: unlocking the potential of artificial intelligence
Notice bibliographique
Résumé
The World Health Organization recommends that member states enact policies to limit unhealthy food marketing to children. Chile enacted relatively stringent laws that restrict unhealthy food marketing to children in two phases, beginning in 2016. Dillman-Carpentier and colleagues examined the incremental effectiveness of the first and second phases of Chile's policy in limiting children's exposure to unhealthy food marketing on television relative to pre-policy. Banning advertisements for all 'high-in' products (i.e., those that exceeded thresholds for energy, saturated fats, sugars and/or sodium) during the daytime (phase 2) was more effective in reducing children's exposure to unhealthy food marketing on television than only banning 'high-in' marketing during programs with large child audiences (phase 1). These findings underscore the importance of implementing comprehensive policies that reduce children's exposure to all marketing for unhealthy foods-not simply that which targets them directly-to better protect them from its negative impacts. However, although policies in Chile and other nations have reduced children's exposure to unhealthy food marketing in broadcast media, it is not clear whether such policies have meaningfully reduced children's overall food marketing exposures. This is partly due to the challenges of studying children's digital food marketing exposures, which are an increasingly important source of unhealthy food marketing. To address these methodologic gaps, several research teams are developing artificial intelligence (AI)-enabled systems to assess food marketing to children on digital media and support efforts to monitor compliance with policies that restrict this marketing. These and other AI systems will be essential to comprehensively and systematically study and monitor food marketing to children on digital media internationally and at scale.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».