Sociodemographic characteristics help predict Canadian urbanites’ acceptability of restaurant food environment policies
Notice bibliographique
Résumé
Introduction: Public acceptability of policies aiming to improve the healthfulness of the restaurant food environment is key to their successful implementation. Yet, the acceptability of these policies remains ambiguous, especially across diverse population groups. This study aims to examine associations between sociodemographic characteristics and acceptability levels of three restaurant food environment policies of varying degrees of intrusiveness across 17 urban Canadian jurisdictions. Methods: = 27,162). To account for potential jurisdictional differences in acceptability, for each policy, multilevel logistic regression models were developed. Results: Results indicated that, on average, those in complete agreement with the implementation of the targeted policies represented 20.3%-26.9% of participants, depending on the policy. Acceptability varied according to policy intrusiveness, jurisdiction, and participants' sociodemographic characteristics. Women, individuals with household incomes of <$40,000/year, immigrants from a high-income country other than Canada, and Indigenous peoples were more likely to express complete agreement with all policies, versus men, participants with household incomes of $40,000-$79,999/year, Canadian-born individuals, and non-Indigenous individuals. A lower likelihood of expressing complete agreement with all policies was observed for those with a $80,000-$119,999/year household income, versus those with a $40,000-$79,999/year household income. For selected policies and models, other sociodemographic characteristics (i.e., age, education, and being born in a low-or middle-income country) predicted acceptability. The examined sociodemographic characteristics did not explain jurisdictional differences in acceptability. Discussion: Understanding jurisdictional differences in acceptability merits further research. Policy implications involve engaging diverse sociodemographic groups in conversations about acceptable ways in which their restaurant food environment could be rendered more healthful.
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 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».