Competing public narratives in nutrition policy: insights into the ideational barriers of public support for regulatory nutrition measures
Notice bibliographique
Résumé
Abstract Background Enacting evidence-based public health policy can be challenging. One factor contributing to this challenge is a lack of public support for specific policies, which may stem from limited interest or conviction by policy arguments. This can happen when messaging strategies regarding policy do not resonate with the target group and/or policy narratives compete in public discourse. To understand how policy messaging can better resonate with a target audience, we examined the frames and narratives used by the Australian public when discussing nutrition policies. Methods We conducted 76 street intercept interviews in urban and regional settings in Queensland, Australia. Quantitative data were analysed using mean agreement scores and t-tests, and the qualitative data were analysed using an adapted qualitative narrative policy framework (QNPF). The QNPF is used to illustrate how competing narratives vary in the way they define different elements. These elements often include setting, characters, plot, policy solution and belief systems. Results Level of support for all nutrition policies was generally moderate to high, although nutrition policies perceived to be most intrusive to personal freedoms were the least popular among the public. The value of fairness was consistently invoked when participants discussed their support for or opposition to policy. Using the QNPF, two distinct settings were evident in the narratives: concern for the community or concern for self. Villains were identified as either “other individuals, in particular parents” or “Big Food”. Victims were identified as “children” or “the food industry, in particular farmers”. Frequently used plots focused on individuals making poor choices because they were uneducated, versus Big Food being powerful and controlling people and the government. Conclusions The study examined the frames and narratives used by the Australian public when discussing nutrition policies. By examining these frames and narratives, we gained insight into multiple strategies which may increase public support for certain nutrition policies in Australia.
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 | 0,057 | 0,080 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,016 | 0,032 |
| Communication savante | 0,018 | 0,020 |
| Science ouverte | 0,003 | 0,017 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».