MétaCan
Menu
Retour à la cohorte
Enregistrement W4403740417 · doi:10.1017/s1368980024002155

The promotion of ultra-processed foods in modern retail food outlets in rural and urban areas in Kenya

2024· article· en· W4403740417 sur OpenAlexfundno aff
Caroline H. Karugu, Charles Agyemang, Milka Wanjohi, Veronica Ojiambo, Sharon Mugo, Richard E. Sanya, Michelle Holdsworth, Amos Laar, Stefanie Vandevijvere, Gershim Asiki

Notice bibliographique

RevuePublic Health Nutrition · 2024
Typearticle
Langueen
DomaineMedicine
ThématiqueConsumer Attitudes and Food Labeling
Établissements canadiensnon disponible
Organismes subventionnairesMedical Research CouncilAfrican Population and Health Research CenterInternational Development Research Centre
Mots-clésGeographySocioeconomic statusPovertyPromotion (chess)SocioeconomicsBusinessEnvironmental healthMedicineEconomic growthPopulation

Résumé

récupéré en direct d'OpenAlex

Abstract Objective: To assess the availability and marketing of ultra-processed foods (UPF) in modern retail food outlets (supermarkets and minimarts) in Kenya and associated factors. Design: This cross-sectional study was conducted in Kenya from August 2021 to October 2021. Variables included the geographic location and the socio-economic status (SES) levels, the food items displayed for sale and advertised in the stores, and locations in the stores such as the entrance. Setting: Three counties in Kenya (Nairobi – urban, Mombasa – coastal tourist and Baringo – rural). Each county was stratified into high and low SES using national poverty indices. Participants: Food outlets that offered a self-service, had at least one checkout and had a minimum of two stocked aisles were assessed. Results: Of 115 outlets assessed, UPF occupied 33 % of the cumulative shelf space. UPF were the most advertised foods (60 %) and constituted 40 % of foods available for sale. The most commonly used promotional characters were cartoon characters (18 %). UPF were significantly more available for sale in Mombasa (urban) compared to Baringo (rural) (adjusted prevalence rate ratios (APRR): 1·13, 95 % CI 1·00, 1·26, P = 0·005). UPF advertisements were significantly higher in Mombasa ((APRR): 2·18: 1·26, 3·79, P = 0·005) compared to Baringo and Nairobi counties. There was a significantly higher rate of advertisement of UPF in larger outlets ((APRR): 1·68: 1·06, 2·67 P = 0·001) compared to smaller outlets. Conclusions: The high marketing and availability of UPF in modern retail outlets in Kenya calls for policies regulating unhealthy food advertisements in different settings in the country.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,001
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,036

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,001
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,000
Communication savante0,0000,001
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,048
Tête enseignante GPT0,311
Écart entre enseignants0,263 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations6
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuePublic Health NutritionMême sujetConsumer Attitudes and Food LabelingTravaux en français237 207