MétaCan
Menu
← Retour à la cohorte
Enregistrement W3177155065 · doi:10.1096/fasebj.27.1_supplement.841.12

Region and harvest season determine child feeding frequency in Ghana

2013· article· en· W3177155065 sur OpenAlexaff
Katherine Birks, Grace S. Marquis, Esi K Colecraft

Notice bibliographique

RevueThe FASEB Journal · 2013
Typearticle
Langueen
DomaineNursing
ThématiqueChild Nutrition and Water Access
Établissements canadiensMcGill UniversitySte. Anne's Hospital
Organismes subventionnairesnon disponible
Mots-clésResidenceContext (archaeology)BreastfeedingDemographyMedicineGeographyEnvironmental healthPsychologyPediatricsSociology

Résumé

récupéré en direct d'OpenAlex

Adequate feeding frequency (FF) helps to ensure young children obtain sufficient energy and nutrients for proper growth and development. In 2008, only 50% of breastfed and 22% of non‐breastfed Ghanaian children 6–23 mo consumed the minimum FF recommendations. No similar information exists for children 2–5 y. The objectives of this study were to determine what factors influence child FF in Ghana. Weighed food intake data of 76 children 2–5 y from 3 regions (2004–2009 ENAM study) were analyzed with ANCOVA to determine predictors of FF. Interviews with 40 caregivers of children < 5 y were conducted in two regions in 2011; grounded theory guided the generation of FF themes. FF was greater in the Central (p<0.05) and Brong Ahafo (p<0.001) regions compared to Upper East, during the post‐harvest compared to pre‐harvest season (p<0.05), and if a caregiver was unmarried compared to married (p=0.01). FF tended to be higher when a caregiver worked as an artisan compared to a farmer (p=0.06). Caregivers identified lack of time and money as main constraints, whereas caregivers with social networks and established working hours felt more confident in providing adequate FF. Strategies to increase child FF must acknowledge a caregiver's environmental context such as region of residence and season, as well as resource constraints, including time and food availability. Funding: Africa Initiative.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,002
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,032
Score d'incertitude au seuil0,064

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0000,002
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,243
Écart entre enseignants0,223 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2013
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe FASEB Journal→Même sujetChild Nutrition and Water Access→Travaux en français237 207→