Assessing food insecurity strategies across twelve countries from different income levels: a sustainability and food systems perspective
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Achieving Sustainable Development Goal 2 (Zero Hunger) by 2030 remains a persistent global challenge, especially under current overlapping crises such as climate change, economic instability, and geopolitical conflicts. This study critically analyzes the food security strategies of twelve countries across four income groups, as classified by the World Bank: Low-Income (Malawi, Afghanistan, Ethiopia), Lower-Middle-Income (Nigeria, India, Lebanon), Upper-Middle-Income (Maldives, Brazil, China) and High-Income (Canada, Germany, United Arab Emirates). Using a structured narrative review of national policies and programs (2016–2024) sourced from academic databases, government publications, and international reports, we assess the alignment of strategies with the sustainability pillars (economic, social, environmental) and six key agri-food system interventions. Findings show that lower-income countries emphasize social protection and foundational agriculture (e.g., Ethiopia’s safety net improved food security by 30%), while higher-income nations focus on technological and environmental innovations (e.g., Germany aims to reduce nutrient losses by 50% by 2030). However, 10 of the 12 countries are off track, progressing at less than 50% of the rate needed. China (80% SDG2 score), Canada (70%), and Afghanistan (35%) demonstrate the widespread nature of this trend across varying income groups. The study underscores the urgency for integrated, context-specific strategies, enhanced international cooperation, and financing to accelerate progress toward Zero Hunger.
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.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 découle