“Where” and “What” Do Adolescent Athletes Learn When It Comes to Food Literacy Compared With Adolescents that Do Not Play Sports? A Gender-Based Thematic Analysis
Notice bibliographique
Résumé
Background: Food literacy skills (e.g., nutrition knowledge, social, cultural, economic, and environmental impacts of food) play a role in high school (13-18 y) athletes' health and performance. Literature suggests that adolescents are rarely taught concepts beyond nutrition knowledge, and experiences differ with gender or sports involvement. To improve all adolescents' food literacy, we aimed to clarify differences in athletes' and nonathletes' food literacy to inform food literacy program design. Objectives: The objective of this study was to contrast athletes' and nonathletes' food literacy using a gender lens. Methods: = 4 nonbinary). Using inductive and deductive techniques, we thematically analyzed the data. Deductive codes were drawn from the Food Literacy for Young Adults Framework including Functional (e.g., nutrition literacy), Relational (e.g., joy in shared meals), and Systems (e.g., food sustainability) competencies. Results: Functional competencies were learned most and often through social media. When it came to differences in food literacy experiences between athletes and nonathletes, athletes valued more credible sources of information (e.g., parents compared with peers) and viewed food as fuel (e.g., eating for hunger cues) instead of as a way to form social bonds. Gender also played a role in adolescents' recognition of the connection between food and mental health (function competency) and the sources of information athlete boys and girls valued (personal knowledge compared with romantic partners). Conclusions: Improving all adolescents' food literacy starts with developing skills to judge information credibility (e.g., media literacy). Programs, where adolescent athletes and nonathletes learn together,should also address challenges these groups face, such as eating for performance compared with socialization, the impact of gender on how adolescents view associations between food and mental health, and credible sources of information.
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 | 0,011 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,004 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».