Quels ont été les stratégies d’influence et le discours de l’industrie agroalimentaire au cours de l’élaboration du nouveau Guide alimentaire canadien?
Bibliographic record
Abstract
Au Canada, l’étude des comportements de l’industrie bioalimentaire et de leurs répercussions sur la santé des populations qu’elle dessert est un domaine très peu exploré. Or, des études démontrent que certains acteurs du secteur privé mènent des activités d’influence sur le développement des politiques publiques qui peuvent en compromettre la nature et leur mise en œuvre. La présente étude, qui s’appuie sur le processus de révision du Guide alimentaire canadien (GAC), vise à : 1) identifier les activités politiques corporatives (APC) menées par l’industrie bioalimentaire dans le processus de révision du Guide alimentaire canadien entre 2016 et 2019; et 2) analyser le discours et la position des acteurs de l’industrie par rapport aux recommandations de Santé Canada. L’échantillon se compose de onze acteurs de l’industrie bioalimentaire qui ont déposé un mémoire au Comité permanent de la santé dans le cadre de la révision du GAC. La collecte de données, qui s’est échelonnée sur six mois (octobre 2018 à mars 2019), a permis de répertorier les APC utilisées par l’échantillon sur une période de 39 mois, soit du début de l’automne 2016 jusqu’au printemps 2019. Le matériel analysé inclut les mémoires qu’ils ont déposés ainsi que leurs sites Internet respectifs. Afin de définir les APC et de les classer en fonction de leurs stratégies, de leurs pratiques et des mécanismes qu’ils emploient, nous nous sommes basés sur un cadre conceptuel du réseau INFORMAS. Nous avons par la suite repéré des éléments caractéristiques de citations, dans les APC et les discours, qui indiquent la présence de positionnement en fonctions des trois principes directeurs : une variété d’aliments et de boissons nutritifs est le fondement de la saine alimentation; les aliments et boissons transformés ou préparés riches en sodium, sucre ou lipides saturés nuisent à une saine alimentation; des connaissances et compétences sont nécessaires pour naviguer dans un environnement alimentaire complexe et favoriser une saine alimentation. Au total, 366 APC ont été identifiées en relation avec le GAC. Nous avons principalement répertorié les stratégies de gestion de l’information (n=197) et les stratégies discursives (n=108). Les données recueillies suggèrent que l’industrie bioalimentaire utilise des APC pour influencer l’élaboration de la politique du nouveau GAC. Les acteurs industriels ont exprimé une opposition aux nouvelles lignes directrices en matière d’alimentation. Les points de vue de chacun d’entre eux sur les problèmes et sur les solutions portées sur les trois principes directeurs divergent. Les intérêts économiques propres à chaque acteur forgent la vision promue par l’industrie bioalimentaire. Cette vision peut difficilement s’harmoniser avec les différentes dimensions des nouvelles lignes directrices ou avec les données probantes les plus récentes qui les appuient. Il est impératif de mieux documenter les APC qui sont susceptibles de nuire à l’adoption de mesures législatives et de limiter la capacité des gouvernements à développer des politiques nutritionnelles efficaces.
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 | 0.022 | 0.041 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.010 | 0.016 |
| Scholarly communication | 0.014 | 0.006 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.011 | 0.002 |
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".