Rural-Urban Differences in Prevalence and Associated Factors of Underweight and Overweight/Obesity among Bangladeshi Adults: Evidence from Bangladesh Demographic and Health Survey 2017–2018
Notice bibliographique
Résumé
The aim of this study was to identify the differences in prevalence and associated factors of underweight and overweight/obesity among Bangladeshi adults (≥18 years) by analyzing the cross-sectional Bangladesh Demographic and Health Survey 2017-2018 data. Multilevel multivariable logistic regression was applied to identify the factors associated with underweight and overweight/obesity in urban and rural areas. The prevalence of underweight was 12.24% and 19.34% in urban and rural areas, respectively. The prevalence of overweight/obesity was 50.23% and 35.96%, respectively, in urban and rural areas. In the final multivariable analysis in both urban and rural areas, 30-49 years of age, female sex, being educated up to college or higher level, living in the wealthiest household, and being currently married or being separated/divorced/widowed had higher odds of being overweight/obese compared to other categories. Residence in the Mymensingh and Sylhet region was associated with decreased odds of overweight/obesity in urban and rural areas. On the other hand, being educated up to college or higher level, living in the wealthiest household, and being married were associated with reduced odds of being underweight in both areas. These high-risk groups should be brought under targeted health promotion programs to curb malnutrition.
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 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,002 | 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 ».