Analyse de données sur les ventes lors d'une intervention axée sur un dépanneur santé de Toronto : le projet FRESH sur l'environnement de la vente d’aliments au détail comme déterminant de la santé
Bibliographic record
Abstract
Introduction Les interventions en santé de la population dans le secteur de l’alimentation de détail, comme celles réalisées dans les dépanneurs, visent à transformer le type de signaux envoyés aux consommateurs afin qu'ils choisissent des aliments plus sains. Peu de recherches abordent les aspects financiers des interventions réalisées dans le milieu de la vente au détail, en particulier les mesures de résultat comme les ventes en magasin, pourtant au centre du processus décisionnel de la vente au détail. Cette étude examine l'évolution des ventes en magasin et les ventes par catégories de produits dans le cadre d’une intervention axée sur un dépanneur santé situé dans un quartier à faible revenu de Toronto (Ontario). Méthodologie Les données sur les ventes effectuées entre août 2014 et avril 2015 ont été regroupées par catégories de produits et par jour. Nous avons utilisé des tableaux croisés dynamiques Excel afin de résumer et de présenter visuellement les données sur ces ventes. Nous avons mené des tests t afin d’étudier les différences au niveau des ventes de chaque catégorie de produits en fonction des jours de vente « de pointe » (jours d’affluence) par rapport aux autres jours de vente. Résultats Les ventes globales du magasin culminaient les derniers jours de chaque mois, soit à la période à laquelle les prestations d’assistance sociale sont versées. La hausse des revenus lors des jours de pointe était principalement imputable aux ventes de laissez-passer de transports en commun. La moyenne des ventes de collations non nutritives et de cigarettes était légèrement plus élevée lors des jours de pointe par rapport aux autres jours. Les stratégies novatrices employées pour augmenter les ventes de fruits et légumes frais ont semblé accroître considérablement les revenus générés par ces catégories de produits. Conclusion Les données sur les ventes en magasin constituent un paramètre important de mesure du succès des interventions en environnement alimentaire. De plus, les prises de décision des détaillants fondé sur ces données peuvent se révéler déterminantes lors de l’adaptation des interventions. Les responsables des recherches et des interventions futures devraient envisager d’établir des partenariats et d’utiliser d'autres indicateurs de rendement lors des interventions ciblant l'environnement de la vente au détail d’aliments dans divers contextes canadiens.
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 | 0.012 | 0.037 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.002 |
| Bibliometrics | 0.003 | 0.008 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.009 | 0.001 |
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".