How big data analytics can strengthen large‐scale food fortification and biofortification decision‐making: A scoping review
Notice bibliographique
Résumé
Big data analytics have shown great potential to improve decision-making in health, including disease surveillance and healthcare delivery. This scoping review explores how big data supports decision-making in large-scale food fortification (LSFF) and biofortification across the food value chain. Following PRISMA guidelines, we analyzed open-access peer-reviewed literature and gray literature from 2012 to 2022. Given the limited literature, we broadened our search to include big data applications in agriculture and nutrition, aiming to draw relevant insights for LSFF and biofortification. Of 1678 records, 28 mentioned LSFF or biofortification, all published between 2018 and 2022. Overall, most records focused on production (60%) and inputs (19.5%). Notably, 16.7% (n = 7) of records mentioning LSFF or biofortification addressed public health monitoring, compared to 2.3% (n = 45) of those without a mention. Use case examples include blockchain and Internet of Things (IoT) for fortified product traceability, machine learning to predict fortification gaps, and artificial intelligence to analyze anemia prevalence, highlighting opportunities to enhance both production and public health monitoring. Despite this potential, big data use in LSFF and biofortification remains limited. Expanding its use in underexplored areas, such as distribution and regulation, could enhance decision-making, efficiency, and sustainability in LSFF and biofortification.
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 | 0,028 | 0,121 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,007 |
| Bibliométrie | 0,019 | 0,019 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,007 | 0,006 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,003 |
| 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 ».