The Comparison of Risk Factors for Stunting in Rural and City in Lampung
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Globally, Rural areas have more stunted children (40%) than urban areas (33%). In contrast, in Indonesia, In 2010-2013, the prevalence of stunting in rural areas was higher than in urban areas at 40 0% and urban areas by 31.5%. This type of quantitative research uses Cross Sectional approach with the aim of study to compare risk factors for stunting in rural areas and Lampung City in 2022. The research subjects are mothers and toddlers 30 are rural, and 30 are in town. The analysis in this study used the independent t-test, Mann-Whitney, chi-square, and Fisher tests; the results showed a comparison of birth length, exclusive breastfeeding, birth spacing, economic status, and environmental factors to the incidence of stunting in cities and villages in 2022. There was no comparison of birth weight, breastfeeding for up to 2 years, depression status, number of children, parenting, dietary, and Nutrition Patterns During Pregnancy on Stunting Incidents in Cities and Villages. The dominant factors influencing stunting in cities and villages based on the results of multivariate analysis of Birth spacing. There is a comparative risk factor for stunting in both rural and urban areas in Lampung province. Stunting prevention efforts by preventing early marriage, increasing the ease of access to health services in peripheral/remote sites to reduce the distance to reach health facilities, and preventing the occurrence of Low Birth Weight Babies through various promotional efforts in preventive.
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.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle