Food marketing on digital platforms: what do teens see?
Notice bibliographique
Résumé
OBJECTIVE: Given the aggressive marketing of foods and beverages to teenagers on digital platforms, and the paucity of research documenting teen engagement with food marketing and its persuasive content, the objective of this study is to examine what teenagers see as teen-targeted food marketing on four popular digital platforms and to provide insight into the persuasive power of that marketing. DESIGN: This is an exploratory, participatory research study, in which teenagers used a special mobile app to capture all teen-targeted food and beverage marketing they saw on digital media for 7 d. For each ad, participants identified the brand, product and specific appeals that made it teen-targeted, as well as the platform on which it was found. SETTING: Online (digital media) with teenagers in Canada. PARTICIPANTS: Two hundred and seventy-eight teenagers, aged 13-17 years, were participated. Most participants were girls (63 %) and older teenagers (58 % aged 16-17 years). RESULTS: Participants captured 1392 teen-targeted food advertisements from Instagram, Snapchat, TikTok and YouTube. The greatest number of food marketing examples came from Instagram (46 %) (with no difference across genders or age), while beverages (28·7 %), fast food (25·1 %) and candy/chocolate were the top categories advertised. When it comes to persuasive power, visual style was the top choice across all platforms and participants, with other top techniques (special offer, theme and humour), ranking differently, depending on age, gender and platform. CONCLUSIONS: This study provides insight into the nature of digital food marketing and its persuasive power for teenagers, highlighting considerations of selection and salience when it comes to examining food marketing and monitoring.
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 | 0,004 | 0,003 |
| 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 | 0,004 | 0,003 |
| 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 ».