Child stunting is associated with weaker human capital among native Amazonians
Notice bibliographique
Résumé
OBJECTIVES: We assessed associations between child stunting, recovery, and faltering with schooling and human capital skills in a native Amazonian society of horticulturalists-foragers (Tsimane'). METHODS: We used cross-sectional data (2008) from 1262 children aged 6 to 16 years in 53 villages to assess contemporaneous associations between three height categories: stunted (height-for-age Z score, HAZ<-2), moderately stunted (-2 ≤ HAZ≤-1), and nonstunted (HAZ>-1), and three categories of human capital: completed grades of schooling, test-based academic skills (math, reading, writing), and local plant knowledge. We used annual longitudinal data (2002-2010) from all children (n = 853) in 13 villages to estimate the association between changes in height categories between the first and last years of measure and schooling and academic skills. RESULTS: Stunting was associated with 0.4 fewer completed grades of schooling (∼24% less) and with 13-15% lower probability of showing any writing or math skills. Moderate stunting was associated with ∼20% lower scores in local plant knowledge and 9% lower probability of showing writing skills, but was not associated with schooling or math and writing skills. Compared with nonstunted children, children who became stunted had 18-21% and 15-21% lower probabilities of showing math and writing skills, and stunted children had 0.4 fewer completed grades of schooling. Stunted children who recovered showed human capital outcomes that were indistinguishable from nonstunted children. CONCLUSIONS: The results confirm adverse associations between child stunting and human capital skills. Predictors of growth recovery and faltering can affect human capital outcomes, even in a remote, economically self-sufficient society.
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) | 0,001 | 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 | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».