La non-régulation de la publicité alimentaire : la force d'intérêts économiques croisés
Bibliographic record
Abstract
A partir des années 2000, de nouvelles politiques nutritionnelles émergent en France, notamment autour du Programme National Nutrition Santé (PNNS) afin d’agir sur l’alimentation des Français et réduire les pathologies chroniques (cardiovasculaires, diabète, obésité) (Séguy, 2014 ; Boubal, 2018). Ces politiques sont depuis régulièrement traversées par des controverses concernant à la fois la sécurité sanitaire (listeria, dioxine, vache folle, OGM) et la qualité nutritionnelle (taxe, étiquetage) (Borraz, 2008 ; Benamouzig, Blanck, 2023). Dans ce contexte, les acteurs de la santé mettent en avant différentes modalités d’action pour agir à la fois sur les comportements des consommateurs et sur l’offre alimentaire, suivant une logique de gouvernement des conduites (Dubuisson-Quellier, 2016 ; Dubuisson-Quellier, 2017 ; Dubuisson-Quellier, Granier, 2019). Parmi celles-ci, ils proposent de réguler davantage la publicité alimentaire pour réduire l’exposition des enfants aux stratégies marketing des industriels de l’agroalimentaire (Boubal, 2018). Mais à chaque tentative, ils font face à une opposition massive et systématique des acteurs économiques de l’agroalimentaire et de la publicité, qui s’allient pour bloquer toute initiative publique sur ce domaine. Pourtant l’effet néfaste de la publicité semble scientifiquement démontré : de nombreux experts produisent régulièrement des rapports dans lesquels ils font ce constat et appellent à une régulation plus contraignante : notamment l’OMS1, l’INSERM2, le HCSP3, l’IGAS4, la Cour des comptes et Santé Publique France. Et de nombreux pays ont déjà mis en œuvre des mesures pour encadrer davantage la publicité alimentaire : le Royaume-Uni, le Québec, la Norvège, l’Irlande, le Chili ou encore le Mexique.
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 | 0.014 | 0.019 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.003 | 0.004 |
| Science and technology studies | 0.003 | 0.007 |
| Scholarly communication | 0.012 | 0.007 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.004 | 0.007 |
| Insufficient payload (model declined to judge) | 0.012 | 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".