Evaluation of a social network intervention on child feeding practices and caregiver knowledge
Notice bibliographique
Résumé
Food insecurity and poor infant and young child feeding (IYCF) practices contribute to undernutrition. The Kanyakla Nutrition Program was developed in rural Kenya to provide knowledge alongside social support for recommended IYCF practices. Utilizing a social network approach, the Kanyakla Nutrition Program trained community health workers (CHWs) to engage mothers, fathers, and grandparents in nutrition education and discussions about strategies to provide instrumental, emotional, and information support within their community. The 12-week programme included six sessions and was implemented on Mfangano Island, Kenya, in 2014-2015. We analysed intervention effects on (a) nutrition knowledge among community members or CHWs and (2) IYCF practices among children 1-3 years. Nutrition knowledge was assessed using a postintervention comparison among intervention (community, n = 43; CHW, n = 22) and comparison groups (community, n = 149; CHW, n = 64). We used a quasi-experimental design and difference-in-difference to assess IYCF indicators using dietary recall data from an ongoing cohort study among intervention participants (n = 48) with individuals living on Mfangano Island where the intervention was not implemented (n = 178) before the intervention, within 1 month postintervention, and 6 months postintervention. Findings showed no effect of the intervention on IYCF indicators (e.g., dietary diversity and meal frequency), and less than 15% of children met minimum acceptable diet criteria at any time point. However, knowledge and confidence among community members and CHWs were significantly higher 2 years postintervention. Thus, a social network approach had an enduring effect on nutrition knowledge, but no effects on improved IYCF practices.
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 | 0,000 | 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 ».