Educational Attainment as a Super Determinant of Diet Quality and Dietary Inequities
Notice bibliographique
Résumé
Inequities in diet quality are evident worldwide and reflect structural disadvantages. There is increasing evidence that dietary inequities may be most meaningful in relation to educational attainment, a finding that contradicts the common belief that dietary inequities are primarily attributable to material disadvantage (i.e. inadequate incomes). Moreover, diet quality declines with each step down the educational ladder, and therefore, these educational inequities affect all of society. The purpose of this perspective is to posit that educational attainment is a key structural stratifier of diet quality and dietary inequities-what we term a super determinant-and that greater research attention should be given to interrogating pathways through which educational attainment shapes diet quality. To inform our perspective, we conducted extensive keyword searches in PubMed and Google Scholar to identify concepts, theories, and empirical data pertaining to educational inequities in diet quality, health, and mortality, followed by a conceptual synthesis of findings. On the basis of these findings, we first describe pathways through which educational attainment shapes diet quality. We then demonstrate that educational inequities in diet quality are often much larger than they are for income. For instance, absolute gaps and gradients in Healthy Eating Index-2015 scores between the most and least educated adults were 7-11 points in Canada, whereas they were just 2-5 points in relation to household income. We provide converging evidence related to large and growing educational inequities in diet quality, health, and mortality internationally. We subsequently consider an important counterfactual-that the affordability of a healthy diet is the key determinant of dietary inequities-and empirically demonstrate that economic factors are not primary drivers of socioeconomic inequities in diet quality. We conclude that attributing dietary inequities primarily to the higher costs of healthy foods is overly simplistic and ignores the critical role of educational attainment as a structural stratifier of dietary inequities.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 |
| 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 ».