Does Crop Diversity Influence Household Food Security and Women’s Individual Dietary Diversity? A Cross-Sectional Study of Malawian Farmers in a Participatory Agroecology and Nutrition Project
Notice bibliographique
Résumé
Background: Agroecological methods have the potential to impact nutrition and food security, however, to date there is limited research evaluating this approach. Objective: A 5-year participatory research project with farming households in north and central Malawi was designed to train farmers on agroecological practices, alongside raising awareness on nutrition and gender equity. This cross-sectional study aimed to explore the relationships between crop diversity, food security at the household level, and individual diversity for women, within the context of an agroecology, nutrition education, and farmer mentoring program. Methods: Participating farmers were trained in and experimented with different farming methods. These farmers subsequently trained other farmers on these short-term agroecological practices and provided mentorship using community-based educational methods designed to address both household food security and nutrition. In year 4 of the intervention, a cross-sectional survey assessed farm practices, food security, and individual dietary diversity of 851 participating households. Results: Households with lower crop diversity were significantly less likely to be food secure (odds ratios [OR] = 0.829, P < .001). Women in households with higher crop diversity were more likely to have higher individual dietary diversity (OR = 1.120, P < .01), eat vitamin A rich foods (OR = 1.176, P < .01), and legumes, nuts, and seeds (OR = 1.141, P < .01). Conclusions: These findings suggest that within a participatory agroecological training combined with community-based nutrition education with a focus on social equity, crop diversity is associated with less household food insecurity and poorer diet quality for rural farming households. Crop diversity may improve dietary diversity by making nutritious foods more available.
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 | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».