Examining Canadian youth’s engagement with food companies via digital media
Notice bibliographique
Résumé
Digital food marketing to youth is concerning given its widespread reach, engagement strategies and influence on lifelong food behaviours. Nonethless, little is known about youth's engagement (i.e., liking/sharing/following food companies on social media, having food company/restaurant/delivery service apps downloaded) with food companies via digital media, particularly in Canada. This study examined whether youth's digital engagement with food companies differed by sociodemographic characteristics in Canada. An observational cross-sectional online survey was conducted in 2023 among 1162 Canadian children (aged 10-12 years) and adolescents (13-17 years). Participants self-reported their sociodemographic information and engagement with food companies via digital media. Descriptive analyses and logistic regression models examined differences in engagement by gender, age group, race/ethnicity and income adequacy. Among all participants, 20.9% reported having liked, shared, or followed food/restaurant companies on social media, 23.1% had food/restaurant company apps on their smartphones, and 16.6% had apps for food delivery services. White participants and youth from medium income adequacy households had lower odds of having liked/shared/followed food companies on social media than racial/ethnic minority group participants (OR: 0.59; 95% CI: 0.43, 0.80) and those from low income adequacy households (OR: 0.57; 95% CI: 0.41, 0.80), respectively. Children and White participants had lower odds of reporting food company apps on their smartphones than adolescents (OR: 0.54; 95% CI: 0.41, 0.72) and racial/ethnic minority group participants (OR: 0.48; 95% CI: 0.35, 0.64), respectively. Children and White participants also had lower odds of reporting food delivery service apps on their smartphones than adolescents (OR: 0.52; 95% CI: 0.38, 0.72) and racial/ethnic minority group participants (OR: 0.32; 95% CI: 0.23, 0.44), respectively. No significant differences were observed between genders. Overall, many Canadian youth are engaging with food companies via digital media. Government-led food marketing regulations that extend to social media and food company and delivery service apps are warranted.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,003 | 0,005 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».