Adaptation and validation of a tool for assessing food knowledge based on the Nova classification for the Brazilian context
Notice bibliographique
Résumé
OBJECTIVES: To adapt and validate a tool to measure the level of food knowledge based on the Nova classification for the Brazilian context. METHODS: A tool developed by Canadian researchers was adapted for Brazil. In this tool, respondents assign healthiness scores to 12 images of foods with different levels of industrial processing according to the Nova classification - unprocessed and minimally processed, processed and ultra-processed. Total score is computed by comparing scores assigned to foods from different groups, and range from 0 to 8. The Brazilian version, named Nova-Conhecimento, was evaluated by experts and submitted to pre-tests with potential users. Discriminant validity was assessed by comparing scores of undergraduate students of nutrition and undergraduate students in education-related fields. Convergent validity was assessed by testing the association between the knowledge score and the consumption of ultra-processed foods in a subsample of the NutriNet Brazil cohort (n=1,245). RESULTS: Nutrition students had higher scores than education students (6.7 vs. 5.3; p-value<0.001). Each point in the knowledge score was associated with a reduction of 1.03 percentage points in the contribution of ultra-processed foods to the diet (p-value<0.001). CONCLUSION: The Nova-Conhecimento tool demonstrated validity and can contribute to food and nutritional surveillance activities based on the the Dietary Guidelines for the Brazilian Population.
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 | 0,003 | 0,004 |
| 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 ».