The Comparison of Risk Factors for Stunting in Rural and City in Lampung
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.
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 | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,001 | 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 ».