Assessment of the Effect of Covid-19 Pandemic Lockdown Dietary Diversity among Urban Households in Jos, Plateau State, Nigeria
Notice bibliographique
Résumé
Dietary diversity became a global concern in improving health conditions through the habit of food group consumption by adding health dimension to the issue of food calorie consumption. Access to nutritionally adequate and good quality diet is essential to human health, productivity and work output. However, despite the various concerns by governments all over the world on ensuring that every household can at least provide three square meals per day, food insecurity continues to be a major development problem across the globe. This study assessed the effect of COVID-19 pandemic lockdown on households’ dietary diversity in Jos Metropolis, Plateau State, Nigeria. A multistage sampling technique was used to select 265 households. Data was collected using well-structured questionnaire. The analytical techniques were; Descriptive statistics, Dietary Diversity index and Z-Statistics Test. Gender, age, household size, education, marital status, cooperative membership and access to credit were the socioeconomic characteristics described. Result indicate that 86% of the households had low food dietary diversity while 14% of the households had high food dietary diversity before and after the pandemic lockdown. Similarly, 18% of the households had low calorie consumption while 82% of the households had high dietary diversity before and after the pandemic lockdown. Cereals, legumes/grains, oils/fat, roots and tubers, sugar and honey and meats were the most common food consumed by the households daily before and after the COVID-19 pandemic lockdown. Result further indicate that the pandemic lockdown had effect on the dietary diversity and food consumption patterns of the urban households. It can be concluded that the understanding of the effect of the COVID-19 pandemic lockdown on dietary diversity and food consumption patterns of households is important in developing policy measures such as social safety nets, home feeding programmes, the school feeding programme, conditional cash transfers schemes and improved marketing channels that will help mitigate against households falling into food insecurity during similar pandemic in the future.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».