Bridging the Gap: Knowledge, Awareness, and Practices on Vitamin D Deficiency among Adolescent and Young Adults – A Cross-Sectional Study
Notice bibliographique
Résumé
Background: Vitamin D deficiency is a significant public health issue, impacting bone health, immune function, and overall well-being. Despite abundant sunlight in Saudi Arabia, deficiency rates remain high, potentially due to limited sun exposure, cultural practices, and low dietary intake of vitamin D. University students are a key demographic for assessing public health awareness and behaviors related to vitamin D. This study aimed to assess the knowledge, attitudes, and practices (KAP) related to vitamin D deficiency among Jazan University students, and to identify demographic factors influencing these aspects. Methods: A cross-sectional study was conducted among 429 students at Jazan University, Saudi Arabia, from March to June 2024. Data on KAP regarding vitamin D deficiency were collected via a validated bilingual online questionnaire. Statistical analysis was performed using SPSS version 26, employing descriptive statistics and multivariate logistic regression to evaluate demographic predictors of KAP scores. Results: Among the participants, 47.3% exhibited high knowledge, 55% demonstrated high awareness, and 45.6% had high practice levels concerning vitamin D deficiency. Female students had significantly higher KAP scores than males (p < 0.01), and health college students showed greater knowledge and awareness than their non-health peers (p < 0.05). Multivariate analysis confirmed that gender was a significant predictor, with females displaying higher odds of better outcomes across all domains (Knowledge: AOR 2.66, 95% CI 1.73–4.07; Awareness: AOR 3.0, 95% CI 1.94–4.62; Practices: AOR 1.65, 95% CI 1.10–2.49). Conclusions: The findings highlight a need for targeted educational programs and routine screening initiatives to address vitamin D deficiency among young adults. Public health strategies should prioritize awareness campaigns across all academic disciplines to improve vitamin D literacy and mitigate deficiency-related health risks.
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 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| 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) | 0,002 | 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 ».