MétaCan
Menu
Retour à la cohorte
Enregistrement W7116780107 · doi:10.1186/s12992-025-01178-5

Food industry degrowth as a public health strategy: the case of ultra processed baked goods

2025· article· en· W7116780107 sur OpenAlexaff
Norah Campbell, Sarah Browne, Marius Claudy, Kathryn Reilly, Francis Finucane

Notice bibliographique

RevueGlobalization and Health · 2025
Typearticle
Langueen
DomaineMedicine
ThématiqueConsumer Attitudes and Food Labeling
Établissements canadiensTrinity College
Organismes subventionnairesTrinity College Dublin
Mots-clésPublic healthDegrowthPopulation healthPopulationPopulation growthPublic policyConsumption (sociology)Social policyHealth policy

Résumé

récupéré en direct d'OpenAlex

Evidence associates ultra-processed food and beverage (UPF) diets to diverse non-communicable diseases, including obesity, diabetes, cardiovascular disease and mental health disorders. Efforts to reformulate by reducing salt, sugar and unhealthy fats in such foods, have not changed the fact that UPFs are an increasing proportion of population diets. The UPF industry is rooted in growth – a fundamental logic at the heart of publicly traded and for-profit private corporations. Our longitudinal analysis of supermarket trade journals from the US and UK spanning 30 years finds that growth in this sector is not demand-led, but industry driven. Our analysis uncovers four dynamics of this growth paradigm, which we call combatition., swotification, the fashion spiral, and demand-pumping. Our findings show that, while public health policies result in individual products becoming more ‘healthy’, these benefits are likely to dwarfed by the aggregate (overall) growth of the UPF category itself. We propose a powerful counter paradigm: de-growth. While having gained recognition in ecological economics, we demonstrate its potential for public health, especially its concepts of decoupling and overproduction. While many public health interventions exist within a growth paradigm, a degrowth perspective proposes that the UPF industry cannot innovate its way out of health harms, and that the production of the entire category must decrease.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,583
Score d'incertitude au seuil0,414

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,075
Tête enseignante GPT0,381
Écart entre enseignants0,306 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGlobalization and HealthMême sujetConsumer Attitudes and Food LabelingTravaux en français237 207