Stress and Hypertension Among Primary School Teachers In Enugu North Senatorial Zone Enugu State, Nigeria
Notice bibliographique
Résumé
security ("in the last 30 days, I worried that the food I was able to eat would hurt my health and well-being").Participants also completed a food frequency questionnaire via VioScreen.The analytic sample consisted of 619 individuals from RI and 628 from CT. Results describe the baseline prevalence of food and nutrition security and test whether these varied by quintiles of the Healthy Eating Index (HEI) score.The statistical significance of differences at baseline was assessed using Pearson's chi-squared test.Results: Characteristics of respondents in RI and CT were similar.Mean age was 35.3 (SD11.7),92% were female, and 43% of respondents reported that they were Hispanic, followed by non-Hispanic White (31%), and non-Hispanic Black (16%).Lack of money was the primary barrier to accessing food (40%), followed by few affordable grocery stores (18%).The total average HEI score was 63.9 and 58% and 30% of the sample were food and nutrition insecure, respectively.Food insecurity varied significantly across quintiles of HEI (p0.02), with fewer adults reporting food insecurity (49%) in the highest quintile vs. lowest HEI quintile (60%).Nutrition insecurity did not vary significantly across HEI quintiles (p0.72).Conclusions: The prevalence of food insecurity was higher than the national average, and higher food insecurity was associated with worse diet quality, underscoring the need for enhanced nutrition benefits among SNAP participants.Future work will evaluate the impact of the nutrition incentive program on food and nutrition security.
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 | 0,000 | 0,000 |
| 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 | 0,001 |
| 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 ».