Food additives and PAHO’s nutrient profile model as contributors’ elements to the identification of ultra-processed food products
Notice bibliographique
Résumé
The NOVA classification system categorizes foods according to the extent and purpose of industrial processing. Ultra-processed food products (UPF) are frequently composed of excessive amounts of sugars, salt, oils, and fats, and cosmetic additives designed to make them palatable and/or appealing. We aimed to describe the presence of critical nutrients in excess and cosmetic additives in packaged foods and beverages and to evaluate the proportion of UPF that can be correctly identified through the presence of critical nutrients in excess or the presence of cosmetic additives in food products. A total of 9851 items available in Brazilian supermarkets containing lists of ingredients and nutrition facts panels were analyzed. Cosmetic additives and critical nutrients in excess, according to Pan American Health Organization (PAHO)'s nutrient profile model, were assessed. All food items were categorized into the four NOVA classification groups. Relative frequencies of items with at least one critical nutrient in excess and one type of cosmetic additive were estimated. For UPF, 82.1% had some cosmetic additive, and 98.8% had some cosmetic additive or a nutrient in excess. This combined criterion allowed the identification of 100.0% of sweet cookies, salted biscuits, margarine, cakes and sweet pies, chocolate, dairy beverages, and ice cream. Combining the presence of cosmetic additives and the PAHO's nutrient profile model contributes to the identification of UPF.
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 | 0,002 | 0,001 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».