How Healthy and Unhealthy Food and Beverages Appear in Movies and Series for Children: A Comprehensive Content Analysis
Notice bibliographique
Résumé
OBJECTIVE: Investigate which persuasive strategies are used in audiovisual media exposures of food and beverage items to children. DESIGN: Content analysis of movies and series based on questionnaire responses from children and their parents. SETTING: Six schools in rural as well as 6 schools in urban areas in Austria. PARTICIPANTS: A total of 648 children (aged 5-11 years) and 559 of their parents. MAIN OUTCOME MEASURES: Food and beverage categories (healthy = high nutritional value; unhealthy = high in fat, salt and/or sugars; mixed), composition-related, evaluative (nonverbal evaluation = facial expressions or sounds; verbal evaluation), and source-related strategies. ANALYSIS: A logistic mixed-effects regression model with random intercepts predicting nutritional classification. RESULTS: A total of 114 movies and 133 series (n = 12,320 food and beverage presentations) were coded. The study reveals that unhealthy food items are prominently featured in media aimed at children. Branded and centrally presented items had significantly higher odds of being classified as unhealthy (vs healthy; P < 0.001). Items that were interacted with or consumed were more likely to be unhealthy (vs healthy or mixed; P < 0.001). In addition, nonverbal positive evaluations increased the likelihood of items being unhealthy (vs healthy; P < 0.001), whereas negative nonverbal evaluations decreased the likelihood of items being unhealthy (vs healthy or mixed; P < 0.05). Conversely, items evaluated positively in a verbal-cognitive manner had lower odds of being unhealthy (vs healthy; P < 0.001). CONCLUSIONS AND IMPLICATIONS: This study calls for more research on the effects of verbal and nonverbal evaluations of food depictions, particularly for diverging evaluative cues. Findings also emphasize the call to further regulate the depiction of foods and beverages in movies and series while encouraging content creators to make more mindful choices in how these items are portrayed.
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 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,008 | 0,005 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 ».