Food advertising in cooking shows on Brazilian free-to-air tv channels: the predominance of ultra-processed foods
Notice bibliographique
Résumé
Introduction: Cooking at home is linked to better diet quality. Cooking shows are a popular source for learning about home cooking. These programs usually feature food advertising. Objective: This cross-sectional study analyzed food advertising during cooking shows on Brazilian free-to-air TV channels. Methods: All the cooking shows on Brazil's four most popular free-to-air TV channels were recorded for two days in 2019. Advertisements identified during commercial breaks and within cooking shows were categorized as food-related or non-food-related ads. Food ads were classified and analyzed according to the NOVA classification. Descriptive analyses were used to identify the frequency of food-related ads, distribution throughout food groups, and advertising/sponsoring companies. A Chi-square test was used to compare UPF and non-UPF ads identified during commercial breaks and cooking shows. Results: Among all identified ads (n 828), 32% were food-related. Food ads were the fourth most prevalent in commercial breaks (11.1%) and the second during cooking shows (18.7%). UPF was the most advertised food (57.8%), especially soft drinks, mayonnaise, and other sauces. The difference between the frequency of UPF and non-UPF advertisements was statistically significant. Approximately a quarter of all food ads were from seven companies, five were sponsors of cooking shows, and six were promoting UPF. Conclusion: Foods advertised on cooking shows on Brazilian free-to-air TV channels were mainly UPF. Actions to promote home cooking should consider UPF ads' influence on home environments and culinary practices.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».