Analyse des déterminants de l'obésité au Canada : impacts des variables économiques
Bibliographic record
Abstract
L'augmentation considérable de la prévalence de l'obésité au Canada depuis les dernières décennies préoccupe de plus en plus les gouvernements dus aux impacts négatifs que ce phénomène fait subir tant à la santé des gens qu'au système de santé publique au pays. Plusieurs études se sont penchées sur les déterminants de l'augmentation de l'obésité. Dans la plupart de ces études, l'accent était mis sur les facteurs sociodémographiques pour expliguer l'évolution de l'obésité et ne prenait pas en compte les facteurs économiques d'un tel phénomène. Certains économistes ont soulevé l'importance d'étudier les impacts des différents facteurs économiques pouvant influencer l'évolution de l'obésité. Partant du principe que les décisions de consommation sont influencées par des signaux auxquels réagissent les agents économiques, des facteurs exogènes comme les prix des aliments, le prix des autres biens et le revenu pourraient donc être des éléments affectant l'évolution de l'obésité. Se basant sur de récentes études qui ont pu démontrer l'importance de l'impact de variables économiques dans le phénomène de l'obésité aux États-Unis, ce travail a comme objectif de déterminer si les facteurs économiques tels que les prix des aliments modifient le comportement des agents de telle sorte qu'ils deviendront obèses. Pour tester l'hypothèse de l'influence réelle de ces variables, plusieurs stratégies de modélisation de l'impact des prix à l'alimentation sont présentées à partir des données canadiennes de l'Enquête nationale de la santé de la population. Les résultats obtenus de nos différentes stratégies nous permettent de conclure que les facteurs économiques ont un impact conjoint significatif sur l'évolution de l'obésité au Canada. ______________________________________________________________________________ MOTS-CLÉS DE L’AUTEUR : Obésité, Déterminants, Facteurs économiques, ENSP.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.004 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.005 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.007 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".