Awareness of and Participation in School Food Programs Among Youth From Six Countries
Notice bibliographique
Résumé
Abstract Background School-based meal programs may promote healthy dietary intake among youth. However, limited data exist regarding the impact of income-targeted school meal programs across countries, particularly among food insecure youth. Objectives To examine self-reported awareness of and participation in free school meal programs, and associations with dietary intake among youth from six countries with differing national school meal policies. Methods Data were collected through the 2019 International Food Policy Study (IFPS) Youth Survey, a cross-sectional survey of 10,565 youth aged 10–17 y from Australia, Canada, Chile, Mexico, the United Kingdom (UK), and the United States (US). Regression models examined: 1) country differences in awareness of and participation in breakfast and lunch programs; and 2) associations between lunch program participation and intake of fruit and vegetables, and ‘less healthy’ foods during the previous school lunch day. Results Awareness of and participation in free breakfast and lunch programs varied across countries. Approximately half of US and Chilean students participated in school lunch programs—the countries with the most comprehensive national policies—compared to one fifth of students in the UK, and approximately 5% in Australia, Canada, and Mexico (P < 0.001 for all contrasts). In the US and Chile, more than two thirds of youth with the highest level of food insecurity participated in lunch programs, compared to 45% in the UK, 27% in Canada, and 20% or less in Australia and Mexico. In all countries, youth reporting school lunch program participation were more likely to report fruit and vegetable intake during their previous school lunch (P < 0.001), and higher intake of ‘less healthy’ food in all countries except the US and Chile. Conclusions More comprehensive national policies were associated with greater participation in school meals programs, particularly among youth at greatest risk of food insecurity, as well as healthier dietary intake from school lunch.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».