Obfuscating Ill-being and Creating Well-being: The Communication Strategies of Five Top Food and Beverage Companies
Notice bibliographique
Résumé
While research in the field of nutrition and health has been showing for decades that what we consume is fundamental for our health (see World Health Organization, 2025), the largest food and beverage companies in the world are still not relenting in their preparation of products that are harmful for our well-being. Clearly helped along by the fact that the term “well-being” is no longer just limited to physical health but can include “happiness, life satisfaction, personal strengths, and flourishing” (Holder, 2019, p. 1), these companies adopt communication strategies that arouse a positive psychological sentiment, obfuscating the health-related issues. It is the aim of this paper to analyse some of the linguistic strategies that five of the largest food and beverage companies in the world use to create psychological well-being regarding food and drink intake. More precisely, by applying the methodology of Critical Discourse Analysis and by focussing in particular on word connotations, the choice of adjectives, and style of communication, the websites of JBS Foods, Nestlé, PepsiCo, The Coca-Cola Company, and Tyson Foods will be examined in order to unveil the linguistic and stylistic devices that foster a positive sentiment towards some food and drinks that scientific research has shown to be harmful.
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 | 0,005 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,014 | 0,006 |
| Communication savante | 0,012 | 0,004 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».