Mobilizing Knowledge: A Comprehensive Toolkit for Quality Assured Nutrition Data and Piloting Gender Indicators
Notice bibliographique
Résumé
Nutrition International (NI) sought to standardize and add novel indicators to the multiple coverage surveys conducted each year on maternal, newborn, infant and child nutrition programs to assure quality and timely, gender-related data that meets next-generation monitoring needs. In collaboration with Campbell Collaboration (CC) and University of Toronto (UT), NI developed a comprehensive step-wise survey toolkit with multiple intervention modules using a systematic process for selecting and contextualizing indicators (NI), validating data quality (NI-UT) and piloting gender indicators derived based on statistical modelling results using Demographic and Health Survey gender and nutrition related data (CC-NI). The resulting Nutrition Information Monitoring Systems (NIMS) toolkit now includes ODK formatted questionnaire templates, quality control and assurance checklists and ready-to-use SPSS syntax for data analysis and interpretation purposes. NIMS derives its results from household-level information through the following modules: zinc and Oral Rehydration Salts coverage for diarrhea treatment, maternal-newborn nutrition, weekly iron-folic acid supplementation among adolescent girls, and infant and young child nutrition – each with selected knowledge components and newly-devised gender-related questions to inform NI's nutrition-sensitive programs. Selected modules were implemented in NI's ten intervention countries 2019–20. Application of these procedures and quality metrics allowed NI program officers to: 1) systematically assess quality during data collection – identifying and correcting surveyor errors and potential sampling bias in a timely fashion, 2) validate and visually demonstrate data quality to relevant stakeholders, and 3) produce quality assured data within 1–3 weeks, compared to 1–3 months for previous surveys that did not use the NIMS procedures and tools. This systematic approach facilitated reporting timely, quality assured nutrition program data to inform how NI interventions and gender-related analyses will identify how NI's programming can be more gender-responsive. CanWaCH, Global Affairs Canada and Nutrition International.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,091 | 0,125 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,009 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,006 | 0,008 |
| Science ouverte | 0,005 | 0,014 |
| Intégrité de la recherche | 0,002 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,009 |
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 source (Gemma direct ou Codex distillé), 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 ».