Gendered Determinants of Food Security Inequities Within Intersectionality Framework: Case Study From Uganda
Notice bibliographique
Résumé
Food security (FS) research shows that disadvantaged groups, defined through characteristics such as gender, have less resources, and human and social capital, face more barriers to exercise their rights and are more marginalized. This study aims to determine sources of FS inequities intersecting with gender, measuring their relative significance. We used nationally representative data from Gallup World Poll, Uganda 2019 (n = 951). A binary logit model was estimated at different equity levels before and after accounting for gender differences. Predicted probabilities of FS were used to identify differences between men and women across different determinants. We used the difference-in-difference approach to test the interaction of gender with variables exhibiting a gender difference in magnitude, direction, or significance. We tested whether a) such differences (gender gaps) are statistically significant; b) gender significantly intersects with each of those variables. We computed odds ratios that included significant intersections between gender and selected variables. Despite gender differences in several FS determinants, there was a significant gender gap among low-educated (p < 0.1), low-income, married, and socially supported (all p < 0.05) men and women. Further difference-in-difference analysis showed that gender significantly intersected with social support and marital status (p < 0.05). Accounting for gender variability, the final model showed that residing in the Eastern region, lacking shelter, and being a single woman decreased FS odds. More adults in the household, higher education and income, social support, and satisfaction with community infrastructures enhanced FS status. This is a first attempt to model and test gender differences using a difference-in-difference approach within an intersectionality framework. Results suggest that conventional FS approaches may not suffice to reduce inequities if gender is conceived as a control variable rather than a foundation to explain inequities. Gendered-centered analysis helps identify most disadvantaged groups and inform policies to target inequities. Fonds de Recherche du Québec Société et Culture (FRQSC), QC Canada; McGill University.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,004 | 0,002 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».