Growth and development among infants and preschoolers in rural India
Notice bibliographique
Résumé
Economic inequities are common in low and middle-income countries (LMIC), and are associated with poor growth and development among young children. The objectives are to examine whether maternal education and home environment quality: 1) protect children by attenuating the association between economic inequities and children’s growth and development, or 2) promote children’s growth and development, regardless of economic inequities. The sample includes 512 infants and 321 preschoolers in 26 villages in rural India (Project Grow Smart). Data for children: physical growth (weight and length/height measured) and development (Mullen Scales of Early Learning); for mothers/households: economic inequities measured by household assets, education, depressive symptoms, and home environment (HOME Inventory). Data are analyzed with linear mixed models (LMM) for infants and preschoolers separately, adjusted for village/preschool clustering, including asset-by-education/home interactions. Among infants, but not preschoolers, the education/home factor attenuates relations between assets and growth, eliminating differential relations in infant growth between high/low-asset families, suggesting protection. Among infants and preschoolers, the education/home factor is significantly or marginally associated with most child development scales, regardless of economic inequities, suggesting promotion. Strategies to enhance maternal education and home environment quality may protect infants in low-asset families from poor growth, promote development among infants and preschoolers, and prevent early disparities.
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 | 0,000 | 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 | 0,001 |
| 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 ».