Advertising ultra-processed foods around urban and rural schools in Kenya
Notice bibliographique
Résumé
Marketing of ultra-processed foods (UPFs) can influence children's food preferences and consumption patterns. However, limited data exist on the extent and nature of UPF marketing around schools in low- and middle-income countries, including Kenya. This study assessed the extent, type, and content of food and beverage advertising near schools in urban and rural settings in Kenya. We conducted a cross-sectional study in June-July 2021 across three Kenyan counties-Nairobi (urban), Mombasa (coastal urban), and Baringo (rural). Each county was stratified by socioeconomic status (SES), and schools were randomly selected. Food and beverage advertisements within a 250-meter radius of schools were documented. Data collected included the type of product, location, and promotional techniques used. Advertised products were categorized using the NOVA classification and the INFORMAS framework. Descriptive statistics were used to summarize advertisement patterns, and Poisson regression was applied to identify factors associated with UPF advertising. A total of 2,300 food and beverage advertisements were documented around 500 schools. Urban areas had a higher median number of advertisements (median = 25, IQR: 25-160) compared to rural areas (median = 10, IQR: 4-13). Nearly 48% of all advertisements featured UPFs. The most frequent promotional strategy involved cartoon and company-owned characters, while price discounts were the most common premium offers. In multivariate analysis, Baringo County showed a higher rate of UPF advertisements compared to Nairobi (PRR: 1.17, 95% CI: 1.01-1.36), as did lower versus higher SES areas (PRR: 1.10, 95% CI: 1.01-1.20). UPFs are commonly advertised around schools in Kenya, often using strategies that appeal to children. Regulatory efforts are needed to limit the marketing of unhealthy foods in school environments.
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 ».