Creating healthy food environments in recreation and sport settings using choice architecture: a scoping review
Notice bibliographique
Résumé
Recreation and sport settings (RSS) are ideal for health promotion, however, they often promote unhealthy eating. Choice architecture, a strategy to nudge consumers towards healthier options, has not been comprehensively reviewed in RSS and indicators for setting-based multi-level, multi-component healthy eating interventions in RSS are lacking. This scoping review aimed to generate healthy food environment indicators for RSS by reviewing peer-reviewed and grey literature evidence mapped onto an adapted choice architecture framework. One hundred thirty-two documents were included in a systematic search after screening. Data were extracted and coded, first, according to Canada's dietary guideline key messages, and were, second, mapped onto a choice architecture framework with eight nudging strategies (profile, portion, pricing, promotion, picks, priming, place and proximity) plus two multi-level factors (policy and people). We collated data to identify overarching guiding principles. We identified numerous indicators related to foods, water, sugary beverages, food marketing and sponsorship. There were four cross-cutting guiding principles: (i) healthy food and beverages are available, (ii) the pricing and placement of food and beverages favours healthy options, (iii) promotional messages related to food and beverages supports healthy eating and (iv) RSS are committed to supporting healthy eating and healthy food environments. The findings can be used to design nested, multipronged healthy food environment interventions. Future research is needed to test and systematically review the effectiveness of healthy eating interventions to identify the most promising indicators for setting-based health promotion in RSS.
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) | 0,002 | 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 ».