Benchmarking the healthiness, equity and environmental sustainability of university food environments in Australia, 2021/22
Notice bibliographique
Résumé
BACKGROUND: Food environments on university campuses have an important influence on the diets of staff and students. This study aimed to assess the healthiness, equitability and environmental sustainability of Australian university food environments, and identify priority recommendations for policy and practice. METHODS: We applied the previously developed 'Uni-Food' tool in nine universities (17 campuses, 165 food retail outlets) in Australia between 2021 and 2022. Data on three components: (1) 'university systems and governance'; (2) 'campus facilities and environment'; and (3) 'food retail outlets' were collected from desk-based policy audits and in-person campus audits. Universities were given an overall score from 0-100, based on their performance across all components. RESULTS: University scores ranged from 27/100 to 66/100 (median = 46). Universities scored highest in the 'campus facilities and environment' component, reflecting that the broad campus environment (including areas such as catering, advertising on campus, and food-related environmental sustainability initiatives) has been an area of focus. Universities scored lowest in the 'university systems and governance' component, reflecting a relative lack of policy action, funding and governance in this area, with few initiatives to promote the availability and affordability of healthy and environmentally sustainable foods. CONCLUSION: Stronger action is needed to improve Australian university food environments, including in food retail outlets, vending, catering and at campus events. Universities can demonstrate leadership by implementing university-wide policies that limit the availability of unhealthy foods and beverages (e.g. sugary drinks) on campus, and setting targets for the proportion of healthy and environmentally sustainable foods procured and sold on campus. Other stakeholders, including governments, can play a role in incentivising universities to adopt recommended actions.
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 | 0,020 | 0,023 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».