Défavorisation matérielle, environnement alimentaire et qualité de l’alimentation selon le statut d’immigration
Bibliographic record
Abstract
Objectifs : Les inégalités sociales de l’alimentation sont vécues différemment parmi les populations vulnérables. Cette étude examine la relation entre le statut d’immigration, l’insécurité alimentaire (IA) et la fréquence de consommation de fruits et légumes (F/L) et de boissons sucrées (BS) dans les ménages à faible revenu pendant la pandémie de COVID-19. Méthodes : Étude transversale auprès de 467 adultes (231 immigrants, 236 personnes nées au Canada) dans quatre quartiers défavorisés de Montréal (Québec). La fréquence de consommation de F/L et de BS a été modélisée selon l’IA et l’environnement alimentaire (densité des commerces d’alimentation, perceptions d’accès physique aux aliments sains et utilisation des ressources alimentaires communautaires) pour l’échantillon total et selon le statut d’immigration. Résultats : Les immigrants consommaient plus fréquemment des F/L (3,19 ± 1,64/jour) et moins de BS (0,22 ± 0,39/jour) que ceux nés au Canada (respectivement 2,80 ± 1,78 et 0,43 ± 0,88/jour). L’IA grave était fortement associée à une fréquence de consommation moindre de F/L. L’utilisation de kiosques de F/L chez les Canadiens natifs et des perceptions positives d’accès aux aliments dans les commerces chez les immigrants étaient associées à une fréquence de consommation plus élevée de FL. L’IA modérée était associée à un rapport de cotes plus élevé de consommer plus fréquemment des BS chez les natifs du Canada tandis qu’on observe l’inverse chez les immigrants en IA grave. Conclusion : Les inégalités sociales liées à l’alimentation sont vécues différemment chez les populations à faible revenu selon leur statut d’immigration
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 | 0.003 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.005 | 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".