Normalizing junk food: The frequency and reach of posts related to food and beverage brands on social media
Notice bibliographique
Résumé
Food and beverage marketing on social media contributes to poor diet quality and health outcomes for youth, given their vulnerability to marketing's effects and frequent use of social media. This study benchmarked the reach and frequency of earned and paid media posts, an understudied social media marketing strategy, of food brands frequently targeting Canadian youth. The 40 food brands with the highest brand shares in Canada between 2015 and 2020 from frequently marketed food categories were determined using Euromonitor data. Digital media engagement data from 2020 were licensed from Brandwatch, a social intelligence platform, to analyze the frequency and reach of brand-related posts on Twitter, Reddit, Tumblr, and YouTube. The 40 food brands were mentioned on Twitter, Reddit, Tumblr, and YouTube a total of 16.85M times, reaching an estimated 42.24B users in 2020. The food categories with the most posts and reach were fast food restaurants (60.5% of posts, 58.1% of total reach) and sugar sweetened beverages (29.3% of posts, 37.9% of total reach). More men mentioned (2.77M posts) and were reached (6.88B users) by the food brands compared to women (2.47M posts, 5.51B users reached). The food and beverage brands (anonymized), with the most posts were fast food restaurant 2 (26.5% of the total posts), soft drink 2 (10.4% of the total posts), and fast food restaurant 6 (10.1% of the total posts). In terms of reach, the top brands were fast food restaurant 2 (33.1% of the total reach), soft drink 1 (18.1% of the total reach), and fast food restaurant 6 (12.2% of the total reach). There is a high number of posts on social media related to food and beverage brands that are popular among children and adolescents, primarily for unhealthy food categories and certain brands. The conversations online surrounding these brands contribute to the normalization of unhealthy food and beverage intake. Given the popularity of social media use amongst of children and adolescents, policies aiming to protect these vulnerable groups need to include the digital food environment.
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 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,006 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».