The determinants of dietary diversity and nutrition: ethnonutrition knowledge of local people in the East Usambara Mountains, Tanzania
Notice bibliographique
Résumé
BACKGROUND: Diet and nutrition-related behaviours are embedded in cultural and environmental contexts: adoption of new knowledge depends on how easily it can be integrated into existing knowledge systems. As dietary diversity promotion becomes an increasingly common component of nutrition education, understanding local nutrition knowledge systems and local concepts about dietary diversity is essential to formulate efficient messages. METHODS: This paper draws on in-depth qualitative ethnographic research conducted in small-scale agricultural communities in Tanzania. Data were collected using interviews, focus group discussions and participant observation in the East Usambara Mountains, an area that is home primarily to the Shambaa and Bondei ethnic groups, but has a long history of ethnic diversity and ethnic intermixing. RESULTS: The data showed a high degree of consensus among participants who reported that dietary diversity is important because it maintains and enhances appetite across days, months and seasons. Local people reported that sufficient cash resources, agrobiodiversity, heterogeneity within the landscape, and livelihood diversity all supported their ability to consume a varied diet and achieve good nutritional status. Other variables affecting diet and dietary diversity included seasonality, household size, and gender. CONCLUSIONS: The results suggest that dietary diversity was perceived as something all people, both rich and poor, could achieve. There was significant overlap between local and scientific understandings of dietary diversity, suggesting that novel information on the importance of dietary diversity promoted through education will likely be easily integrated into the existing knowledge systems.
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 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».