Disparities in children’s vocabulary and height in relation to household wealth and parental schooling: A longitudinal study in four low- and middle-income countries
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Children from low socio-economic status (SES) households often demonstrate worse growth and developmental outcomes than wealthier children, in part because poor children face a broader range of risk factors. It is difficult to characterize the trajectories of SES disparities in low- and middle-income countries because longitudinal data are infrequently available. We analyze measures of children's linear growth (height) at ages 1, 5, 8 and 12y and receptive language (Peabody Picture Vocabulary Test) at ages 5, 8 and 12y in Ethiopia, India, Peru and Vietnam in relation to household SES, measured by parental schooling or household assets. We calculate children's percentile ranks within the distributions of height-for-age z-scores and of age- and language-standardized receptive vocabulary scores. We find that children in the top quartile of household SES are taller and have better language performance than children in the bottom quartile; differences in vocabulary scores between children with high and low SES are larger than differences in the height measure. For height, disparities in SES are present by age 1y and persist as children age. For vocabulary, SES disparities also emerge early in life, but patterns are not consistent across age; for example, SES disparities are constant over time in India, widen between 5 and 12y in Ethiopia, and narrow in this age range in Vietnam and Peru. Household characteristics (such as mother's height, age, and ethnicity), and community fixed effects explain most of the disparities in height and around half of the disparities in vocabulary. We also find evidence that SES disparities in height and language development may not be fixed over time, suggesting opportunities for policy and programs to address these gaps early in life.
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.
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 | 0,000 | 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 découle