Scaling Up Nutrition: What Will It Cost?
Notice bibliographique
Résumé
Undernutrition imposes a staggering cost \n worldwide, both in human and economic terms. It is \n responsible for the deaths of more than 3.5 million children \n each year (more than one-third of all deaths among children \n under five) and the loss of billions of dollars in forgone \n productivity and avoidable health care spending. Individuals \n lose more than 10 percent of lifetime earnings, and many \n countries lose at least 2-3 percent of their gross domestic \n product to undernutrition. The current economic crisis and \n its potential impact on the poor make investing in child \n nutrition more urgent than ever to protect and strengthen \n human capital in the most vulnerable developing countries. \n This report offers suggestions on how to raise these \n resources. It is an investment we must make. It will yield \n high returns in the form of thriving children, healthier \n families, and more productive workers. This investment is \n essential to make progress on the nutrition and child \n mortality Millennium Development Goals (MDGs) and to protect \n critical human capital in developing economies. The human \n and financial costs of further neglect will be high. This \n call for greater investment in nutrition comes at a time \n when global efforts to strengthen health systems provide a \n unique opportunity to scale up integrated packages of health \n and nutrition interventions, with common delivery platforms, \n and lower costs. The report has benefited from the expertise \n of many international agencies, nongovernmental \n organizations, and research institutions. The cooperation of \n so many practitioners is evidence of a growing recognition \n of the need to invest in nutrition interventions, and a \n growing consensus about how to deliver effective programs.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».