Notice bibliographique
Résumé
BACKGROUND: A standardized global nutritional index (GNI) would provide a single statistic for each country according to its overall level of nutrition, which could then guide national policies. OBJECTIVES AND METHODS: We have developed a GNI modeled on the human development index (HDI), based on three indicators of nutritional status: deficits, excess, and food security. Calculations were made within four groups of countries (GNI) (32 developed countries, 26 countries in transition, 64 low-mortality developing countries, and 70 high-mortality developing countries) as well as between them-the Global Nutrition Index World wide (GNIg). RESULTS: Complete data were available for 192 countries. The ranking of the highest and lowest countries in the four groups (with their GNIg values) is as follows: developed countries--Japan 1 (0.989), United States 99 (0.806); countries in transition--Estonia 10 (0.943), Tajikistan 173 (0.629); low-mortality developing countries--Republic of Korea 12 (0.939), Nauru 185 (0.565); high-mortality developing countries--Algeria 47 (0.876), Sierra Leone 192 (0.420). A "double burden," in which nutrient deficits and excesses coexist in the same country, was seen in Mauritania (rank 139), South Africa (rank 146), Samoa (rank 157), Lesotho (rank 160), and Fiji (rank 169). The correlation between GNIg and HDI was intermediate (0.74, 55% of variance explained), demonstrating that good nutrition and development are not necessarily synonymous. Countries may be developed yet have a low GNIg (e.g., Australia, Canada, and the United States) and vice versa (e.g., Indonesia and China). CONCLUSIONS: Since nutrition is fundamental to a nation's health and productivity, the GNI and GNIg should be used alongside the HDI to obtain an optimal index of a country's overall well-being.
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 | 0,000 |
| 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 ».