MétaCan
Menu
Retour à la cohorte
Enregistrement W4391788176 · doi:10.1016/j.crsus.2024.100020

Cultural and generational factors shape Asians’ sustainable food choices: Insights from choice experiments and information nudges

2024· article· en· W4391788176 sur OpenAlexaff
Francisco Cisternas, Carolina A. Contador, Sven Anders, May Chu, Nhi Phan, Bo Hu, Zhiguang Liu, Hon‐Ming Lam, Lap Ah Tse

Notice bibliographique

RevueCell Reports Sustainability · 2024
Typearticle
Langueen
DomaineEnvironmental Science
ThématiqueEnvironmental Education and Sustainability
Établissements canadiensUniversity of Alberta
Organismes subventionnairesnon disponible
Mots-clésNudge theoryFood choicePsychologySocial psychologyMedicine

Résumé

récupéré en direct d'OpenAlex

Promoting sustainable diets is crucial for mitigating global greenhouse gas emissions. We investigated the potential for large-scale dietary shifts to address the impacts of climate change on agriculture and food through surveys and choice experiments in China, Japan, and Vietnam (n = 5,089). Our findings reveal that Asian consumers are largely unwilling to deviate from current dietary habits, particularly regarding the consumption of animal proteins. This reluctance persists despite significant preferences for environmental certification as a proxy for greater sustainability in food production, as expressed by wealthier and younger respondents. Information experiments demonstrate that altruistic messaging fails to induce change, and positive information about climate impacts weakens the influence of certification. However, self-enhancement framing, particularly effective with individuals aged 60 years and above, shows promise. Our findings provide valuable insights for researchers and policymakers seeking effective strategies to encourage sustainable diets, shedding light on challenges and potential avenues for successful intervention.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,006
Score d'incertitude au seuil0,027

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0010,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,250
Écart entre enseignants0,240 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueCell Reports SustainabilityMême sujetEnvironmental Education and SustainabilityTravaux en français237 207