Dietary Changes of Youth during the COVID-19 Pandemic: A Systematic Review
Notice bibliographique
Résumé
BACKGROUND: The coronavirus disease 2019 (COVID-19) pandemic has taken the lives of millions and disrupted countless more worldwide. Simply living through the pandemic has had drastic effects on the health of citizens. Diet, an important aspect of health, has been uniquely affected by the pandemic, although these changes have not been sufficiently studied among youth. OBJECTIVES: The objective of this systematic review was to investigate dietary changes of youth during COVID-19. METHODS: A prespecified literature review was conducted using MEDLINE, EMBASE, Scopus, and CINAHL to identify studies from January 2020 to May 2023 that assessed dietary changes among youth aged ≤20 y compared with before the pandemic. Only quantitative observational studies that were published in English were included. Two authors completed all screening/study selection independently, with disagreements being resolved via discussion. Data extraction was completed by 1 author. Dietary changes were categorized into food groups and habits for analysis purposes. RESULTS: In total, 67 studies met inclusion criteria. Most studies used recall to assess changes (48/67; 71.6%). Most studies found an increase in fruits and vegetables (24/46; 52.2%), grain products (6/11; 54.5%), meat, poultry, and eggs (4/8, 50.0%), diet quality indices and/or overall dietary assessments (7/13, 53.8%), and the frequency of snacking (9/12; 75.0%), whereas generally finding a decrease in ultraprocessed foods (32/53; 60.4%), compared with before the COVID-19 pandemic. Mixed findings or primarily no changes were found for fish and aquatic products, legumes, beans, seeds and nuts, milk and milk products, breakfast consumption, and nutrient intake. CONCLUSIONS: Mostly favorable dietary changes appear to have occurred among youth during COVID-19, although there were several mixed findings and unclear takeaways among the foods and habits under study. The heterogeneity of defining food groups was a noted limitation in the current review.
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 | 0,006 | 0,034 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,006 |
| Bibliométrie | 0,008 | 0,010 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».