Equalizing the Playing Field and Improving School Food Literacy Programs Through the Eyes of Teens: A Grounded Theory Analysis Using a Gender and Sport Participation Lens
Notice bibliographique
Résumé
Background: School food literacy programs (e.g., home economics) are an opportunity to improve the dietary habits of teens. However, the literature suggests that girls and athletes have better food literacy, and it is not clear how school programs contribute to this inequality. To address this, we explored how gender and sport influenced teens’ perspectives of their school food literacy experiences and how they can be improved. Methods: Using semi-structured interviews and a Grounded Theory analysis, we generated a theoretical understanding of how to improve school food literacy programs for athletes and non-athletes of diverse genders. Thirty-three teens were recruited to balance sport participation (n = 18 athletes) and gender (n = 15 boys; n = 14 girls; n = 4 non-binary) based on data saturation. Results: Teens expressed four categories to improve school programs that aligned with principles of the Capability, Opportunity, Motivation and Behaviours (COM-B) Model of behaviour change. Programs should Provide a challenge (e.g., more advanced recipes), Make it fun (e.g., explore new cuisines in interactive ways) and Establish importance (e.g., health impacts). Practice is key for teens’ self-confidence and development of food skills (e.g., meal planning) as well. Boys emphasized Make it fun whereas girls and non-binary teens emphasized Establishing importance. Athletes valued Practice is key more than non-athletes. Conclusions: School programs should relay the importance of food literacy in fun and tailored ways to teens (e.g., meal planning among athletes). It may be especially salient for programs to tailor their activities and messaging, where possible, to appeal to diverse teens who play sports and those who do not.
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 | 0,023 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,004 | 0,009 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,003 |
| 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 ».