What’s happening in the kitchen? The influence of nutritional knowledge, attitudes and, practices (KAP), and kitchen characteristics on women’s dietary quality in Ethiopia
Notice bibliographique
Résumé
BACKGROUND: Low dietary quality significantly contributes to public health risks in low-income countries. This situation is particularly concerning for vulnerable groups, such as women and children, who are at increased risk of malnutrition due to inadequate access to proper nutrition. This study aimed to assess the influence of nutrition-related knowledge, attitudes, and practices, and kitchen characteristics on women's dietary quality in Ethiopia. METHOD: A population-based cross-sectional survey was conducted from August to September 2022 in five regions and two city administrations in Ethiopia. A multistage stratified cluster sampling method was employed. From ninety-nine enumeration areas, twenty eligible households were selected. A total of 1,980 women aged 15-49 years were included in this survey. The data were collected using a structured questionnaire about socio-demographic characteristics, food frequency, 24-hour dietary recall, and nutrition-related knowledge, attitudes, and practices. The determinants of dietary quality were identified using Poisson, logistic, and ordinary least square regression analyses. Variables with a p-value less than 0.05 were considered to indicate statistical significance. RESULTS: The results showed that the average dietary diversity score for women was 3.4 ± 0.85. Only 21.5% of the participants achieved the minimum dietary diversity for women (MDD-W), and the mean adequacy ratio for nutrients was 61.6%. The participants' average nutrition-related knowledge, attitudes, and practices scores were 63%, 39%, and 23%, respectively. The regression analysis showed knowledge and attitude positively associated with dietary diversity and the mean nutrient adequacy ratio (P < 0.01). Cooking time and propensity to prepare new food were also positively associated with dietary diversity and with minimum dietary diversity (P < 0.01). CONCLUSION: Our study showed that good nutrition-related knowledge and a positive attitude toward nutrition positively and significantly influence dietary quality, along with cooking time and the propensity to prepare new foods.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».