Sociodemographic differences in nutrition labels effect on Chilean and Mexican youth
Notice bibliographique
Résumé
Objective: To examine sociodemographic differences in the awareness, understanding, use and effect of nutrition labels among Mexican and Chilean youth. Methods: Online surveys among youth (10-17 years) were obtained in 2019 (n=2631). Participants reported their awareness, understanding, and use of their country-specific nutrition facts tables (NFT) and front-of-pack labels (FOPL) (Chile: warning labels [WLs]; Mexico: guideline daily amounts [GDA]). Additionally, participants reported their perceived healthfulness of a sweetened fruit drink after viewing one of six versions of it with different FOPL (no-label control, Health Star Rating, WLs, GDAs, Traffic Light, or Nutri-Score) during an experimental task. Results: Higher self-reported nutrition knowledge was associated with higher NFT and FOPL awareness, understanding, and use, except for WL use. WLs were the most effective FOPL in decreasing the perceived healthfulness of the sweetened fruit drink compared to a no-label condition and other FOP labels. In Chile, the effect of GDA differed by income adequacy, while in Mexico Nutri-Score differed by age. Conclusions: Results suggest that nutrition label awareness, use, understanding, and impact differ across demographics, favoring higher income and nutrition knowledge. Despite this, WLs are likely to have a positive impact on nutrition-related knowledge and behaviors among Mexican and Chilean youth, independently of their socio-demographic groups.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».