Exploring the Associations between Media and Instagram Interaction Patterns with Weight Bias among Undergraduate Nutrition Students in the Brazilian Nutritionists’ Health Study
Notice bibliographique
Résumé
This study examined the association between media and Instagram interaction patterns with weight bias among undergraduate nutrition students in the Brazilian Nutritionists’ Health Study. We also explored the potential mediating role of students’ own body image perception in these relationships. A total of 406 students (78% women) participated in this cross-sectional analysis. Sociodemographic data, media influence, Instagram interaction patterns, body image perception, and weight bias were assessed using semi-structured questionnaires. Findings indicated that exposure to fitness content on Instagram (β = 0.17, p < 0.001) and the pursuit of an ideal athletic body (β = 0.12, p = 0.034) were associated with increased weight bias. In contrast, engagement with body diversity content (β = −0.23, p < 0.001) and perceived pressure from media to conform to appearance ideals (β = −0.24, p < 0.001) had a mitigating effect on weight bias. Notably, body image perception did not mediate these relationships (p > 0.05). In conclusion, this study revealed a link between media exposure and weight bias among undergraduate nutrition students, independent of their body image perception. Developing social media literacy programs that encourage students to critically evaluate media content is imperative to reduce weight bias. Additionally, a deeper examination of the media content that contributes to weight bias and the potential need for targeted regulatory measures is warranted.
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 | 0,004 |
| 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 | 0,001 | 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) | 0,002 | 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 ».