Environnement alimentaire et consommation de fruits et légumes à Hochelaga-Maisonneuve
Bibliographic record
Abstract
Depuis maintenant plusieurs années la recherche en santé met l’accent sur le rôle de l’environnement alimentaire pour mieux comprendre les mécanismes qui influencent les comportements alimentaires, notamment en milieu urbain défavorisé. La littérature scientifique sur le sujet pour le Canada et le Québec est encore relativement peu fournie, en particulier sur le sujet de l’impact de l’environnement alimentaire du consommateur. Cette étude vise à analyser les associations entre certaines caractéristiques de l’environnement alimentaire incluant l’environnement alimentaire communautaire et du consommateur sur la consommation de fruits et légumes dans un quartier défavorisé de Montréal. L’étude se focalise sur Hochelaga-Maisonneuve, quartier pour lequel il existe de données détaillées sur la consommation de fruits et légumes d’un échantillon de 381 individus ainsi que sur les caractéristiques à l’intérieur de 17 supermarchés du territoire. Un indicateur composite de l’environnement alimentaire communautaire et du consommateur a été créé et utilisé dans des modèles de régression linéaire afin d’estimer l’effet de l’environnement alimentaire sur la consommation de fruits et légumes auprès de 381 individus, en contrôlant pour les facteurs sociodémographiques. Les résultats suggèrent que le fait de fréquenter un marché ou une fruiterie est la seule variable ayant un effet statistiquement significatif sur la consommation de fruits et légumes. Cependant, la grande majorité de l’échantillon s’approvisionne dans quatre supermarchés du quartier. Cette limite est probablement la raison pour laquelle nous ne mesurons pas d’effet significatif du prix et de l’environnement du consommateur en général. D’autres variables explicatives telles que la densité des commerces et la distance parcourue par les individus n’ont pas été observées comme ayant un effet significatif.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.002 | 0.000 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.003 | 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".