Meat-reduced Dietary Practices and Efforts in Five Countries: Analysis of Cross-sectional Surveys in 2018 and 2019
Notice bibliographique
Résumé
Background: Diets that reduce reliance on animal-source foods are recommended in some contexts.\n<br>Objectives: This study aimed to compare proportions of respondents who reported following meat-reduced dietary\n<br>practices (i.e., vegetarian, vegan, or pescatarian diets) and/or making efforts to reduce animal-source foods, and to\n<br>examine sociodemographic correlates across 5 countries.\n<br>Methods: Online surveys were conducted in November and December 2018 and 2019 with 41,607 adults from Australia\n<br>(n = 7926), Canada (n = 8031), Mexico (n = 8110), the United Kingdom (n = 9129), and the United States (n = 8411)\n<br>as part of the International Food Policy Study. Respondents were asked whether they would describe themselves as\n<br>vegetarian, vegan, or pescatarian, and whether they had made efforts to consume less red meat, less of all meats, or less\n<br>dairy in the past year. Logistic regressions examined differences in the likelihood of each behavior between countries\n<br>and sociodemographic subgroups.\n<br>Results: Approximately 1 in 10 respondents reported following a vegetarian, vegan, or pescatarian diet, ranging from\n<br>8.6% (Canada) to 11.7% (UK). In the past 12 months, the proportions of respondents who reported efforts to consume\n<br>less red meat ranged from 34.5% (Australia) to 44.4% (Mexico), less of all meats ranged from 27.9% (US) to 35.2%\n<br>(Mexico), and to consume less dairy ranged from 20.6% (UK) to 41.3% (Mexico). Respondents were more likely to report\n<br>efforts to consume less animal-source products in 2019 compared to 2018 in most countries. Sociodemographic patterns\n<br>varied by country; in general, women, those with higher education levels, and those in minority ethnic groups were more\n<br>likely to report following meat-reduced dietary practices or efforts to consume fewer animal-source products.\n<br>Conclusions: Nearly half of respondents reported following a meat-reduced diet or efforts to reduce animal-source\n<br>products, with differences between countries and population subgroups. Population-level approaches and policies that\n<br>support meat reduction may further reduce consumption of animal-source products.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».