Integrating nutrition into the education sector in low‐ and middle‐income countries: A framework for a win–win collaboration
Notice bibliographique
Résumé
Malnutrition-both undernutrition and overnutrition-is a public health concern worldwide and particularly in low- and middle-income countries (LMICs). The education sector has high potential to improve immediate nutrition outcomes by providing food in schools and to have more long-term impact through education. We developed a conceptual framework to show how the education sector can be leveraged for nutrition. We reviewed the literature to identify existing frameworks outlining how nutrition programs can be delivered by and through the education sector and used these to build a comprehensive framework. We first organized nutrition programs in the education sector into (1) school food, meals, and food environment; (2) nutrition and health education; (3) physical activity and education; (4) school health services; and (5) water, sanitation, and hygiene (WASH) sector. We then discuss how each one can be successfully implemented. We found high potential in improving nutrition standards and quality of school foods, meals and food environment, especially through collaboration with the agriculture sector. There is a need for well-integrated, culturally appropriate nutrition and health education into the existing school curriculum. This must be supported by a skilled workforce-including nutrition and public health professionals and school staff. Parental and community engagement is cornerstone for program sustainability and success. Current monitoring and evaluation of nutrition programming in schools is weak, and effectiveness, including cost-effectiveness, of interventions is not yet adequately quantified. Finally, we note that opportunities for leveraging the education sector in the fight against rising overweight and obesity rates are under-researched and likely underutilized in LMICs.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».