The rise of hunger among low-income households: an analysis of the risks of food insecurity between 2004 and 2016 in a population-based study of UK adults
Notice bibliographique
Résumé
BACKGROUND: Rising food bank use in the past decade in the UK raises questions about whether food insecurity has increased. Using the 2016 Food and You survey, we describe the magnitude and severity of the problem, examine characteristics associated with severity of food insecurity, and examine how vulnerability has changed among low-income households by comparing 2016 data to the 2004 Low Income Diet and Nutrition Survey. METHODS: The Food and You survey is a representative survey of adults living in England, Wales, and Northern Ireland (n=3118). Generalised ordered logistic regression models were used to examine how socioeconomic characteristics related to severity of food insecurity. Coarsened exact matching was used to match respondents to respondents in the 2004 survey. Logistic regression models were used to examine if food insecurity rose between survey years. RESULTS: 20.7% (95% CI 18.7% to 22.8%) of adults experienced food insecurity in 2016, and 2.72% (95% CI 2.07% to 3.58%) were severely food insecure. Younger age, non-white ethnicity, low education, disability, unemployment, and low income were all associated with food insecurity, but only the latter three characteristics were associated with severe food insecurity. Controlling for socioeconomic variables, the probability of low-income adults being food insecure rose from 27.7% (95% CI 24.8% to 30.6 %) in 2004 to 45.8% (95% CI 41.6% to 49.9%) in 2016. The rise was most pronounced for people with disabilities. CONCLUSIONS: Food insecurity affects economically deprived groups in the UK, but unemployment, disability and low income are characteristics specifically associated with severe food insecurity. Vulnerability to food insecurity has worsened among low-income adults since 2004, particularly among those with disabilities.
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 | 0,024 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 ».