Urban school neighbourhoods dominated by unhealthy food retailers and advertisements in Greater Tunis: a geospatial study in the midst of the nutrition transition
Notice bibliographique
Résumé
Abstract Objective: Food environments are a major determinant of children’s nutritional status. Scarce evidence on food environments exists in low- and middle-income countries (LMIC). This study aims to fill this gap by documenting the obesogenicity of food environments around schools in Greater Tunis, Tunisia – an LMIC of the Middle East and North Africa region with an ongoing nutrition transition and increasing rates of childhood obesity. Design: In this cross-sectional study, we assessed built food environments around fifty primary schools. Ground-truthing was performed to collect geographic coordinates and pictures of food retailers and food advertisement sets within an 800-m road network buffer of each school. Retailers and advertisement sets were categorised as healthy or unhealthy according to a NOVA-based classification. Associations between school characteristics and retailers or advertisement sets were explored using multinomial regression models. Setting: Greater Tunis, Tunisia. Participants: Random sample of fifty (thirty-five public and fifteen private) primary schools. Results: Overall, 3621 food retailers and 2098 advertisement sets were mapped. About two-thirds of retailers and advertisement sets were labelled as unhealthy. Most retailers were traditional corner stores (22 %) and only 6 % were fruit and vegetable markets. The prevailing food group promoted was carbonated and sugar-sweetened beverages (22 %). The proportion of unhealthy retailers was significantly higher in the richest v. poorest areas. Conclusions: School neighbourhood food environments included predominantly unhealthy retailers and advertisements. Mapping of LMIC food environments is crucial to document the impact of the nutrition transition on children’s nutritional status. This will inform policies and interventions to curb the emergent childhood obesity epidemic.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 source (Gemma direct ou Codex distillé), 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 ».