Exploring the Usability and Acceptability of the FoodMATS-Youth Application for Monitoring Food Marketing Exposures: A Feasibility Study. (Preprint)
Notice bibliographique
Résumé
BACKGROUND Unhealthy food and beverage marketing influences children’s attitudes, preferences, and behaviours toward food. Most research studies on children’s exposure to food marketing focus on single settings, media, or marketing channels, precluding cumulative estimates of food marketing exposure across children’s daily lives. Therefore, there is a need for tools to measure food marketing across settings. OBJECTIVE This study aimed to test the feasibility of a mobile application to assess food marketing observed by youth aged 13–17 years across settings in their daily life in Newfoundland and Labrador. METHODS Using a digital app, FoodMATS-Youth, 23 participants photographed food marketing they saw over three days. Each participant completed a feedback survey on usability and acceptability of the digital app assessed through a 5-score rating of feasibility outcomes. They also took part in focus groups, sharing their experiences with the app, and this data was thematically analyzed. Descriptive analyses of app-derived feasibility metrics were also conducted. RESULTS The app had high usability and acceptability based on the feasibility outcomes, app-derived feasibility metrics and focus group responses. For feasibility outcomes, app navigation had the highest rating at 4.7, similar to ease of use and app responsiveness at 4.48; convenience was the lowest rated outcome at 4.0. App-derived feasibility metrics like user compliance, response, and app completion rates were also high at 92%, 85.2% and 92%, respectively. A total of 146 photos of food marketing were submitted by participants through the app. Focus groups showed great participant satisfaction with the app’s interface and functionality. CONCLUSIONS This study found that the FoodMATS-Youth mobile application is highly feasible for monitoring food marketing exposures across multiple settings (e.g. social media, grocery stores) and was well-received by our participants. The FoodMATS-Youth has the potential to efficiently improve food marketing research in Canada and internationally and generate data that can inform comprehensive food marketing policies.
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 | 0,009 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».