Food Allergy Labeling and Disclosure Practices on Restaurants’ Online Menus in Toronto, Canada
Notice bibliographique
Résumé
Restaurants have a responsibility to mitigate food-allergic reactions by nonverbally disclosing allergens on their menus and websites. In Canada, there are no laws requiring allergen labeling on non-pre-packaged food, leaving it up to restaurant managers to decide how to accommodate allergic customers. A cross-sectional study was conducted to assess allergen disclosure and labeling on online menus in Toronto, Canada. A random sample of 1,000 nonchain restaurants was sourced from DineSafe, Toronto's food inspection system. The online menus of each restaurant were accessed and assessed using a checklist in 2023-2024 to determine the presence of allergen menus, statements, or symbols. Mixed-effect logistic regression models were developed to assess the relationship between restaurant characteristics (cuisine type, Google review rating, cost indicator, and number of locations) and two outcomes: (1) presence of at least one allergen symbol on the menu, and (2) presence of an allergen statement on the menu. Only 16% (n = 159) of restaurants included allergen statements, and only 10% (n = 100) used allergen symbols. Regression models predicted that vegan and vegetarian restaurants were the most likely cuisine type to have at least one allergen symbol on their menu (19%, 95% CI: 13-24%), and Southeast Asian restaurants were the most likely to have an allergen statement (28%, 95% CI: 20-36%). Additionally, higher restaurant costs and multiple locations were linked to more allergen disclosures. This study highlights the need for improved allergen labeling in nonchain restaurants. Policies requiring allergen disclosures can improve menu transparency and encourage proactive customer-waiter interactions, preventing allergic reactions in restaurants.
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 | 0,001 |
| 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 | 0,001 |
| 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 ».