How countries can reduce child stunting at scale: lessons from exemplar countries
Notice bibliographique
Résumé
BACKGROUND: Child stunting and linear growth faltering have declined over the past few decades and several countries have made exemplary progress. OBJECTIVES: To synthesize findings from mixed methods studies of exemplar countries to provide guidance on how to accelerate reduction in child stunting. METHODS: We did a qualitative and quantitative synthesis of findings from existing literature and 5 exemplar country studies (Nepal, Ethiopia, Peru, Kyrgyz Republic, Senegal). Methodology included 4 broad research activities: 1) a series of descriptive analyses of cross-sectional data from demographic and health surveys and multiple indicator cluster surveys; 2) multivariable analysis of quantitative drivers of change in linear growth; 3) interviews and focus groups with national experts and community stakeholders and mothers; and 4) a review of policy and program evolution related to nutrition. RESULTS: Several countries have dramatically reduced child stunting prevalence, with or without closing geographical, economic, and other population inequalities. Countries made progress through interventions from within and outside the health sector, and despite significant heterogeneity and differences in context, contributions were comparable from health and nutrition sectors (40% of change) and other sectors (50%), previously called nutrition-specific and -sensitive strategies. Improvements in maternal education, maternal nutrition, maternal and newborn care, and reductions in fertility/reduced interpregnancy intervals were strong contributors to change. A roadmap to reducing child stunting at scale includes several steps related to diagnostics, stakeholder consultations, and implementing direct and indirect nutrition interventions related to the health sector and nonhealth sector . CONCLUSIONS: Our results show that child stunting reduction is possible even in diverse and challenging contexts. We propose that our framework of organizing nutrition interventions as direct/indirect and inside/outside the health sector should be considered when mapping causal pathways of child stunting and planning interventions and strategies to accelerate stunting reduction to achieve the 2030 Sustainable Development Goals.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,006 | 0,002 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».