Déserts alimentaires à Winnipeg (Canada) : une nouvelle méthodologie de mesure d'un concept complexe et controversé
Bibliographic record
Abstract
Introduction Les « déserts alimentaires » ont vu le jour dans les 20 dernières années et forment des secteurs préoccupants pour les collectivités, les autorités en santé publique et les chercheurs en raison de leur effet négatif possible sur la qualité de l’alimentation et en raison de leurs conséquences sur la santé. Ce sont des espaces résidentiels, habituellement en milieu urbain, où les résidents à faible revenu n’ont que peu ou pas accès à des établissements de vente au détail d'aliments qui offrent suffisamment de variété à un prix abordable. La recherche sur les déserts alimentaires présente des défis méthodologiques, notamment la façon de repérer et de classer les magasins d’alimentation au détail, la définition de la population à faible revenu ainsi que les paramètres concernant le transport et la proximité. De plus, les méthodes complexes qui sont souvent employées dans la recherche sur les déserts alimentaires peuvent être difficiles à reproduire et à communiquer aux principaux intervenants. Pour surmonter ces difficultés, nous avons voulu montrer qu’on pouvait concevoir une méthode simple et reproductible pour repérer les déserts alimentaires, à l’aide de données facilement accessibles en contexte canadien. Méthodologie Cette étude a été menée à Winnipeg (Canada) en 2014. Les établissements de vente au détail des aliments ont été trouvés à l’aide des Pages Jaunes et vérifiés par des diététistes en santé publique. Nous avons créé deux scénarios sur les déserts alimentaires en fonction de l’emplacement de la population à quintile de revenu le plus faible : a) celle qui habitait à 500 m ou plus d’une épicerie appartenant à une chaîne nationale et b) celle qui habitait à 500 m ou plus d’une épicerie appartenant à une chaîne nationale ou d’une épicerie à service complet. Résultats En fonction du scénario utilisé, 64 574 ou 104 335 résidents à faible revenu vivaient dans un désert alimentaire. Conclusion Les déserts alimentaires touchent une proportion importante de la population de Winnipeg et, même s’ils sont concentrés en centre-ville, ils sont présents également en banlieue. La méthodologie employée pour repérer les déserts alimentaires est accessible, claire et reproductible. Elle est utilisable pour exercer une surveillance périodique à faible coût, ainsi que pour favoriser un engagement significatif de la part des collectivités, des magasins de détail et des responsables des politiques.
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 | 0.020 | 0.037 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.006 | 0.010 |
| Science and technology studies | 0.007 | 0.006 |
| Scholarly communication | 0.012 | 0.003 |
| Open science | 0.004 | 0.004 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.007 | 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".