Contribution to the development of a food guide in Benin: linear programming for the optimization of local diets
Notice bibliographique
Résumé
OBJECTIVE: Food guides are important tools for nutrition education. While developing a food guide in Benin, the objective was to determine the daily number of servings per food group and the portion sizes of common foods to be recommended. DESIGN: Linear programming (LP) was used to determine, for each predefined food group, the optimal number and size of servings of commonly consumed foods. Two types of constraints were introduced into the LP models: (i) WHO/FAO Recommended Nutrient Intakes and dietary guidelines for the prevention of chronic diseases; and (ii) dietary patterns based on local food consumption data recently collected in southern Benin in 541 adults. Dietary intakes of the upper tertile of participants for diet quality based on prevention and micronutrient adequacy scores were used in the LP algorithms. SETTING: Southern area of the Republic of Benin. SUBJECTS: Local key-players in nutrition (n 30) from the government, academic institutions, international organizations and civil society were partners in the development of the food guide directed at the population. RESULTS: The number of servings per food group and the portion size for eight age-sex groups were determined. For four limiting micronutrients (Fe, Ca, folate and Zn), local diets could be optimized to meet only 70 % of the Recommended Nutrient Intakes, not 100 %. CONCLUSIONS: It was possible to determine the daily number of servings and the portion sizes of common foods that can be recommended in Benin with the help of LP to optimize local diets, although Recommended Nutrient Intakes were not fully met for a few critical micronutrients.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».