Social determinants of food insecurity experienced by Ecuadorian women during the COVID-19 pandemic of Summer 2020: an online survey at the individual level
Notice bibliographique
Résumé
The COVID-19 pandemic has amplified concerns about food insecurity, prompting its investigation. An online pilot survey anonymously gathered responses from a non-probabilistic sample of 2058 Ecuadorian women. The Food and Agriculture Organization's Food Insecurity Experience Scale was used to measure moderate or severe food insecurity (MSFI). Data quality was assessed using the Rasch item response theory model; this is a single-parameter logistic model that considers food insecurity severity as a latent trait. The analysis produced MSFI prevalence rates with 90% confidence level margins of error (90%MoE). The highest MSFI was found in women: lacking resources for personal expenses (29.53%, 90%MoE = 3.21) compared to those who had them (12.47, 90%MoE = 1.40); who live in the Amazon region (21.37, 90%MoE = 4.24) versus those living in Highlands (17.66%, 90%MoE = 1.77) or in Coast (13.44%, 90%MoE = 2.40); with three or more children (20.97%, 90%MoE = 4.71) against those without children (12.63%, 90%MoE = 3.57); who experienced income reduction during confinement (18.31%, 90%MoE = 2) compared to those who did not (15.71%, 90%MoE = 1.85); and who are rural (18.13%, 90%MoE = 2.83) versus urban residents (16.63%, 90%MoE = 1.55). This study highlights that the most vulnerable Ecuadorian women experienced the highest food insecurity levels during lockdown, emphasizing the need to consider the intersection between income and sociodemographic factors and their impact on women's food insecurity in future research and policymaking.
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 | 0,002 | 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 | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 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 ».