Campus food service users’ support for nudge strategies for fruit and vegetable-rich items: findings from a large Canadian national sample
Notice bibliographique
Résumé
Abstract Although customer support is critical to the wider uptake of nudging strategies to promote fruits and vegetables (FV) in institutional food service (FS) settings, empirical research is sparse and typically based on small convenience samples. An online survey was conducted to assess support, perceived effectiveness and intrusiveness of nine nudge types drawn from Münscher et al. 's Taxonomy of Choice Architecture. We focused on the setting of campus FSs across Canada. A national sample of post-secondary students regularly using campus FSs was used ( N 1057). Support for changing the range of options (B3) was the highest, closely followed by changing option-related effort (B2) and changing option-related consequences (B4). Facilitating commitment (C2), changing default (B1) and providing a social reference point (A3) received lowest support. Furthermore, we extracted three clusters of respondents based on perceived effectiveness and intrusiveness of nudge types. Characterised by a relatively low level of perceived effectiveness and moderately high level of intrusiveness, Cluster 1 (61⋅7 % of the sample) reported the lowest support for nudges. Cluster 2 (26⋅6 %), characterised by intermediate effectiveness and low intrusiveness of nudging, reported a high level of support for nudges. Lastly, Cluster 3 (11⋅7 %), characterised by high perceived effectiveness of as well as high perceived intrusiveness, reported the highest level of support for nudges. Findings confirm overall support for FV nudging, with significant differences across nudge types. Differences in customers’ acceptance and perception across nudge types offer campus FS operators initial priors in selecting nudges to promote FV.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».