Food marketing to young adults: platforms and persuasive power in Canada
Notice bibliographique
Résumé
Purpose Food marketing has long been recognized to influence food preferences, consumption and health, yet little is known about the nature and extent of food marketing to young adults – especially with respect to their real-world encounters with food marketing and the appeals they find persuasive. This study aims to engage young adults to explore the persuasive power of food marketing and its platforms of exposure. Design/methodology/approach Participatory research with 45 young adults, who used a specially designed mobile app to capture the food marketing they encountered for seven days, including information on brand, product, platform and “power” (i.e. the specific techniques that made the advertisement persuasive). Findings A total of 618 ads were captured for analysis. Results revealed the dominance of digital platforms (especially Instagram, comprising 43% of ads), fast food and beverage brands (48% of ads) and the top persuasive techniques of visual style, special offer and theme. Originality/value This study uniquely draws from framing theory to advance the notions of selection and salience to understand food marketing power. It is the first study of its kind to provide a comprehensive look at the platforms and persuasive techniques of food marketing to adults as selected, captured and tagged by participants. It provides timely insights into young adults and food marketing to adults, including where it is encountered, the (generally unhealthy) brands and products promoted and how it is made meaningful.
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 ».