Associations between cooking skills, cooking with processed foods, and health: a cross-sectional study
Notice bibliographique
Résumé
To improve health outcomes, home cooking has been suggested as a solution to reduce intakes of processed foods. However, little is known about how cooking skills or cooking with processed foods influence health. This cross-sectional study examined associations between diet and health outcomes with cooking skills and cooking with processed foods. The dataset included a nationally representative sample of 18 460 adults from Canadian Community Health Survey (CCHS) annual component rapid response modules on food skills. In the CCHS rapid response modules, diet and health outcomes (fruit and vegetable intake, general health, mental health, and obesity) and data related to cooking skills and cooking with processed foods were collected through self-report. Separate logistic regression models were fitted for each outcome, controlling for age, income, and education, and stratified by sex. Adults with poor cooking skills were less likely to have adequate fruit and vegetable intake (≥5 servings per day) ( p < 0.001), very good general health ( p < 0.001) or mental health ( p < 0.001), and obesity ( p = 0.02) compared to advanced cooking skills. Adults who cooked with highly processed foods were less likely to have adequate fruit and vegetable intake ( p < 0.001), very good general health ( p = 0.002) or mental health ( p < 0.001), but more likely to have obesity ( p = 0.03) compared to cooking with minimally processed foods. Cooking skills alone appear insufficient to protect against obesity. Results suggest that not only are cooking skills important, but the quality of ingredients also matter. Limiting the use of processed foods in addition to improving cooking skills are potential intervention targets to promote better health and diet outcomes.
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 | 0,000 |
| 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 ».