Dépannage alimentaire et migrants : associations entre l’insécurité alimentaire, les compétences alimentaires et la qualité de l’alimentation chez les utilisateurs au Québec
Bibliographic record
Abstract
Contexte : Au Canada, de nombreuses personnes issues de la migration sont confrontés à l’insécurité alimentaire (IA), une problématique préjudiciable à la qualité de l’alimentation. Un nombre croissant d’organismes de dépannage alimentaire incluent des programmes visant l’amélioration des compétences alimentaires. Toutefois, la relation entre l’IA et la qualité de l’alimentation des migrants demandeurs d’aide alimentaire et la potentielle modification d’effet par les compétences alimentaires ont été peu étudiés. Objectif : Examiner l’association entre le niveau d’IA, les compétences alimentaires et la qualité de l’alimentation chez les demandeurs d’aide alimentaire issus de la migration. Méthode : Les données sont extraites d’un sous-échantillon de la cohorte PARCOURS, constitué de nouveaux utilisateurs de banques alimentaires migrants au Québec (n=224) au recrutement. Les variables d’intérêt ont été mesurées à l’aide de questions adaptées de l’Enquête sur la santé de collectivités canadiennes. Des analyses linéaires multiples basées sur des familles de modèles ont été menées pour chaque indicateur de qualité de l’alimentation soient la consommation de fruits et légumes (FL) et la variété. Résultats : Au sein de l’échantillon, le score de variété moyen était de 16/20 et la consommation médiane de FL était de 3 fois par jour. Une fois ajusté, le niveau d’IA n’était associé ni à la consommation de FL ni à la variété de l’alimentation. Aucune modification d’effet par les compétences alimentaires a été observée. Conclusion : Chez les migrants demandeurs d’aide alimentaire, leur niveau d’IA n'est pas associé à la qualité de leur alimentation peu importe leurs compétences alimentaires.
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 | 0.003 | 0.006 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.001 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".