Intimate Partner Violence and Women’s Dietary Diversity: A Population-Based Investigation in 8 Low- and Middle-Income Countries
Notice bibliographique
Résumé
BACKGROUND: Intimate partner violence (IPV) poses a significant threat to the well-being of women and girls and is a highly prevalent form of gender-based violence. Evidence regarding the nutritional implications of IPV has focused primarily on intergenerational relationships with child nutrition and growth. There remains a knowledge gap regarding the association with women's own dietary intake. OBJECTIVES: We investigated relationships between past-year IPV (physical, emotional, and sexual) and women's dietary habits, using the Minimum Dietary Diversity for Women tool. METHODS: The data sources analyzed were the cross-sectional Demographic and Health Surveys conducted in Cambodia (2021, N = 5618), Nepal (2022, N = 4155), Sierra Leone (2019, N = 3808), Nigeria (2018, N = 8313), Tajikistan (2017, N = 4792), Cote D'Ivoire (2022, N = 3654), Kenya (2022, N = 10,717), and the Philippines (2022, N = 12,240). Utilizing multivariable generalized linear models, we assessed the overall relationship between women's exposure to IPV and 1) the number of food groups consumed and 2) minimum dietary diversity. RESULTS: Our results reveal heterogeneous relationship patterns between IPV and women's diet. Although none of the pooled estimates were significant and there were a large number of nonsignificant associations, IPV was associated with consuming a lower number of total food groups and reduced consumption of a diverse diet in Nigeria, Kenya, and the Philippines. There is evidence that in Tajikistan, physical violence relates to an increased number of food groups consumed. CONCLUSIONS: IPV is associated with altered dietary intake patterns within certain low- and middle-income countries. The directionality of associations may depend on local food environments and food access. Further research is needed to clarify the pathways underlying these findings. These pathways may involve impacts of IPV that influence diet and food access, for example, mental health symptoms and disorders and related coping mechanisms.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».