A diet related prompt to reduce meat consumption - a field study in two staff restaurants
Notice bibliographique
Résumé
Introduction: High meat consumption in developed countries contributes to climate change and causes health issues. Objective: The objective of the study was to test an intervention to reduce meat consumption in staff restaurants. Materials and Methods: The intervention was a diet-related prompt that suggested choosing vegetarian options more often and visualized that the Swiss population consumes more meat than the national dietary guidelines recommend. The study took place simultaneously in two staff restaurants, with a two-week baseline period and a two-week intervention period. One staff restaurant’s customers worked on topics unrelated to nutrition, and the other’s customers worked on food- or health-related issues. Participants (N = 131) photographed their food choices using a camera with a depth sensor. The amount of meat was measured using an artificial intelligence-based dietary assessment system called goFOODTM. Results: During the intervention, participants in the staff restaurant with customers who work on topics unrelated to nutrition preferred a vegetarian option over a meat menu option more often than at baseline. They mainly reduced their meat consumption by switching from the meat menu to the vegetarian menu rather than taking less meat fromthe buffet. A positive attitude toward environmental protection increased this effect. In the other staff restaurant—customers had already consumed lower amounts of meat at baseline—the intervention did not further reduce meat consumption. Conclusions: The intervention could also reduce meat consumption in other restaurants where customers are not too knowledgeable about dietary issues, especially among customers with positive environmental attitudes.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».