Distinct clusters of stunted children in India: An observational study
Notice bibliographique
Résumé
Childhood stunting is often conceptualised as a singular concept (i.e., stunted or not), and such an approach implies similarity in the experiences of children who are stunted. Furthermore, risk factors for stunting are often treated in isolation, and limited research has examined how multiple risk factors interact together. Our aim was to examine whether there are subgroups among stunted children, and if parental characteristics influence the likelihood of these subgroups among children. Children who were stunted were identified from the 2005-2006 Indian National Family Health Survey (n = 12,417). Latent class analysis was used to explore the existence of subgroups among stunted children by their social, demographic, and health characteristics. We examined whether parental characteristics predicted the likelihood of a child belonging to each latent class using a multinomial logit regression model. We found there to be 5 distinct groups of stunted children; "poor, older, and poor health-related outcomes," "poor, young, and poorest health-related outcomes," "poor with mixed health-related outcomes," "wealthy and good health-related outcomes," and "typical traits." Both mother and father's educational attainment, body mass index, and height were important predictors of class membership. Our findings demonstrate evidence that there is heterogeneity of the risk factors and behaviours among children who are stunted. It suggests that stunting is not a singular concept; rather, there are multiple experiences represented by our "types" of stunting. Adopting a multidimensional approach to conceptualising stunting may be important for improving the design and targeting of interventions for managing stunting.
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 ».