Examination of hyper-palatable foods and their nutrient characteristics using globally crowdsourced data
Notice bibliographique
Résumé
Hyper-palatable foods (HPF), characterized by specific nutrient combinations at moderate to high levels (e.g., fat and sodium), have been suggested to increase energy intake and obesity risk due to their strong reinforcing properties. The study examined patterns in HPF availability, nutrient characteristics, and overlap with ultra-processed foods (UPF) across countries from a globally crowdsourced, open-source dataset. Food data (N = 314229 food items) from 17 countries were analyzed. Compared to the US, foods from most European countries examined, as well as Canada and Mexico, were significantly less likely to be identified as HPF (ORs = 0.70 to 0.93) and had lower % of calories from fat, sugar, starchy carbohydrates, and sodium compared to HPF items from the US (ORs = 0.76 to 0.98). Across countries, items identified as HPF substantially exceeded HPF threshold criteria by 70-229%. Foods identified as being both HPF and ultra-processed foods ranged from 33% (Bulgaria) to 50% (US). Overall, findings from 17 countries across Europe, North America, and South America highlighted foods from the US as being more likely to be hyper-palatable relative to most other countries examined. Results highlighted variability in the degree to which foods met criteria as HFP and UPF across countries.
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 | 0,006 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».