MétaCan
Menu
Retour à la cohorte
Enregistrement W1894380968 · doi:10.23979/fypr.40935

Regional Differences of Child Under-Nutrition in Bangladesh

2013· article· en· W1894380968 sur OpenAlexafffund
Byomkesh Talukder

Notice bibliographique

RevueFinnish Yearbook of Population Research · 2013
Typearticle
Langueen
DomaineNursing
ThématiqueChild Nutrition and Water Access
Établissements canadiensWilfrid Laurier University
Organismes subventionnairesQueen's University
Mots-clésBreastfeedingSocioeconomic statusInequalityGeographyDeveloping countrySocioeconomicsDemographyEnvironmental healthPopulationEconomic growthMedicineEconomicsSociologyPediatrics

Résumé

récupéré en direct d'OpenAlex

Despite recent progress shown by some of the indicators of Millennium DevelopmentGoals in Bangladesh, the nutritional status among all children of the country is notso satisfactory. Growing evidence suggest that there exist regional differences in childunder-nutrition in Bangladesh. The present article is an attempt to identify the regionaldifferences of child under-nutrition across six divisions of Bangladesh and to understandsome of the determinants of under-nutrition using DHS-2007 Bangladesh dat. This datafocus on under-nutrition and some of the determinants related to household, child andmother. A multivariate model was employed to study the regional differences of undernutritionstatus among children. Across the divisions, a variation of under-nutrition isobserved among the children. The prevalence of under-nutrition is statistically significantin poor households. Economics status, mothers’ education, children’s age, number of familymembers and duration of breastfeeding are important determinants of under-nutritionacross divisions. Child under-nutrition in Bangladesh is still a concern for the householdwith poor economic status. The article calls for improvement of the economic status of thehouseholds across divisions keeping in view the nature of inequality in childhood undernutritionin the country and its differential characteristics across the divisions.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,059
Score d'incertitude au seuil0,117

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0000,000
Communication savante0,0010,000
Science ouverte0,0000,001
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,086
Tête enseignante GPT0,358
Écart entre enseignants0,273 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations7
Publié2013
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueFinnish Yearbook of Population ResearchMême sujetChild Nutrition and Water AccessTravaux en français237 207