Frequency of food marketing in recreation and sport facilities differs by presence of food sponsorship agreements and food service contracts in Canada
Notice bibliographique
Résumé
We aimed to evaluate whether food marketing frequency in recreation and sport facilities (RSFs) in Canada differed by the presence of food sponsorship policies, food sponsorship agreements, and food service contracts. We conducted a cross-sectional study of 85 RSFs using an observational audit using the Food and Beverage Marketing Assessment Tool for Settings (FoodMATS) and a facility survey. All instances of food marketing in RSF were recorded in the FoodMATS and the presence of food sponsorship policies, food sponsorship agreements, and food service contracts from the last fiscal year were reported in the survey by facility managers/directors. Mann–Whitney U tests evaluated differences in food marketing frequency by presence of policies (yes/no), agreements (1+/0), and contracts (1+/0). Food marketing frequency did not differ between RSF with and without a food sponsorship policy (14.5 vs. 18.0, p = 0.37). Food marketing frequency was significantly greater in RSF with food sponsorship agreements (26.5 vs. 12.5, p < 0.001) and food service contracts (60.0 vs. 21.0, p < 0.001), compared to RSF without. Only 22.4% and 16.8% of food marketing instances were linked to current food sponsorship agreements and food service contracts, respectively. Sponsorship agreements and contracts may contribute to food marketing in RSF, but they do not explain all marketing instances. Future research should seek to clarify the origin of food marketing exposures, and the opportunities to use policy documents (e.g., facility policies, sponsorship agreements, and food service contracts) to improve healthy food environments, including food marketing in RSF.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».