Advertising ultra-processed foods around urban and rural schools in Kenya
Notice bibliographique
Résumé
Abstract Background Marketing of ultra-processed foods (UPFs) can influence purchase intentions and consumption of such foods, especially among children. There is limited evidence on the extent to which UPFs are marketed around schools in low-and middle-income countries (LMICs), including Kenya. We assessed the extent, content, and type of advertising of ultra-processed/unhealthy foods around schools in urban and rural settings in Kenya. Methods This cross-sectional study assessed advertising of food and beverages within a 250m radius around schools in Kenya between June to July 2021. We conducted the study in three counties (Nairobi-urban, Mombasa-coastal urban city, and Baringo-rural). Each county was stratified into high and low socioeconomic status (SES) sub-counties. Within each, we randomly selected schools and collected detailed information on advertising around the schools. The information gathered included the location, type of food and beverage product advertised, and the promotional techniques used. We used the NOVA classification and International Network for Food and Obesity/NCDs Research Monitoring and Action Support (INFORMAS) methods to categorize the food and beverages advertised based on processing level and core (healthy)/non-core(unhealthy) groups. We determined the extent of advertisements using descriptive analysis frequencies, and median (interquartile ranges). Poisson regression was used to determine the factors associated with UPF advertisements. Results In total, 2300 food and beverage advertisements were mapped around the 500 schools. There was a higher median number of advertisements in urban areas (median=25, Interquartile range (IQR)=25,160) compared to rural areas (median=10, IQR= 4, 13). Of these advertisements, approximately 48.0% were UPFs. The most common promotional strategy used was cartoon and company-owned characters, while the most frequent premium offer was price discounts. In the multivariate analysis, there was a significantly higher rate of advertisements of UPFs in Baringo County (prevalence rate ratios (PRR): 1.17, 95% CI: 1.01-1.36) compared to the urban Nairobi County, and in lower compared to higher SES settings (PRR: 1.10, 95% CI: 1.01-1.20). Conclusion UPFs are frequently advertised around schools with promotional strategies that may be appealing to children. There is a need to restrict the marketing of unhealthy foods around schools to children in Kenya.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».