Digital nudges for online food selection: the interaction of emotional eating and psychological traits in university students
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
ABSTRACT Objective This study aimed to examine the impact of digital nudge models and emotional eating behaviors on online food choices among university students. Methods This cross-sectional study was conducted on 356 students (87.1% female). Data were collected via an online questionnaire, including the Barratt Impulsivity Scale, Twenty-item Toronto Alexithymia Scale, and the Emotional Eater Questionnaire. Four digital nudge categories were used (default, highlighting, social influence, and warning) to assess their influence on food choice. Additionally, body weight and height were taken with the participants’ declaration. Data were analyzed using IBM®SPSS® 24.0. Results The most frequently selected food category was hamburgers (n=282), with the warning nudge in the dessert category being the most effective (43.3%), followed by the social influence nudge (31.3%). There was no significant correlation between impulsivity, emotional eating, and digital nudge effectiveness (p>0.05). However, gender differences were noted, with females responding more to social influence nudges. There was a moderate positive correlation between Emotional Eater Questionnaire and body mass index and Twenty-item Toronto Alexithymia Scale (r=0.315, p<0.001, r=0.347, p<0.001, respectively). Furthermore, the Barratt Impulsivity Scale showed a weak positive correlation with Twenty-item Toronto Alexithymia Scale (r=0.127, p<0.05). Conclusion Digital nudges influenced food choices; however, psychological factors such as impulsivity and emotional eating did not significantly affect their effectiveness. Future research could explore the role of psychological traits in digital nudging for healthier food choices.
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.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle