Children’s exposure to unhealthy food advertising on Philippine television: content analysis of marketing strategies and temporal patterns
Notice bibliographique
Résumé
BACKGROUND: This study conducted an exploratory content analysis of TV food advertisements on the top three most popular channels for Filipino children aged two to 17 during school and non-school days. METHODS: Data were collected by manually recording of aired advertisements from 16 non-school days (July to September 2020) and 16 school days (January to April 2021). Descriptive and inferential statistical analyses were used to assess children's rates of exposure to food advertisements (mean ± SD of advertisements aired per channel per hour), the healthiness of promoted foods (as permitted (healthier) or not permitted (unhealthy) according to nutrient profiling models from the World Health Organization), and persuasive techniques used in food advertisements, including promotional characters and premium offers. RESULTS: < 0.01). Both periods yield a similarly higher proportion of non-permitted food advertisements (e.g. 9.3 ± 9.7 ads/channel/hour for school days and 8.3 ± 8.5 ads/channel/hour for non-school days) than permitted ones. More non-permitted food advertisements during children's peak viewing times were observed than non-peak viewing times (e.g. 11.8 ± 10. vs. 8.3 ± 9.2 ads/channel/hour for school days). Non-permitted food advertisements employed persuasive techniques more frequently, accounting for 64-91% of all food ads during peak viewing times. CONCLUSION: Children are exposed to a large volume of television advertisements for foods that should not be permitted to be marketed to children based on authoritative nutrient criteria.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».