Climate variability, armed conflicts and child malnutrition in sub-saharan Africa: A spatial analysis in Ethiopia, Kenya and Nigeria
Notice bibliographique
Résumé
Background: Sub-Saharan Africa (SSA) has one of the highest prevalence of malnutrition among children under 5 in the world. It is also the region most vulnerable to the adverse effect of climate change, and the one that records the most armed conflicts. The chains of causality suggested in the literature on the relationship between climate change, armed conflict, and malnutrition have rarely been supported by empirical evidence for SSA countries. Methods: This study proposes to highlight, under the hypothesis of spatial non-stationarity, the influence of climatic variations and armed conflicts on malnutrition in children under 5 in Ethiopia, Kenya, and Nigeria. To do this, we use spatial analysis on data from Demographic and Health Surveys (DHS), Uppsala Conflict Data Program Georeferenced Event Dataset (UCDP GED), Climate Hazards center InfraRed Precipitation with Station data (CHIRPS) and Moderate Resolution Imaging Spectroradiometer (MODIS). Results: The results show that there is a spatial autocorrelation of malnutrition measured by the prevalence of underweight children in the three countries. Also, local geographically weighted analysis shows that armed conflict, temperature and rainfall are positively associated with the prevalence of underweight children in localities of Somali in Ethiopia, Mandera and Turkana of Wajir in Kenya, Borno and Yobe in Nigeria. Conclusion: In conclusion, the results of our spatial analysis support the implementation of conflict-sensitive climate change adaptation strategies.
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 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».