Drivers of stunting reduction in Ethiopia: A country case study
Notice bibliographique
Résumé
Background: Chronic undernutrition in children continues to be a global public health concern. Ethiopia has documented a significant decline in the prevalence of childhood stunting, a measure of chronic undernutrition, over the last 20 y.Objectives: The aim of this research was to conduct a systematic assessment of the determinants that have driven child stunting reduction in Ethiopia from 2000 to 2016, focused on the national, community, household, and individual level.Methods: This study employed both quantitative and qualitative methods. Specifically, a systematic literature review, retrospective quantitative data analysis using Demographic and Health Surveys from 2000-2016, qualitative data collection and analysis, and analyses of key nutrition-specific and -sensitive policies and programs were undertaken.Results: National stunting prevalence improved from 51% in 2000 to 32% in 2016. Regional variations exist, as do pro-rich, pro-urban, and pro-educated inequalities. Child height-for-age z score (HAZ) decomposition explained >100% of predicted change in mean HAZ between 2000 and 2016, with key factors including increases in total consumable crop yield (32% of change), increased number of health workers (28%), reduction in open defecation (13%), parental education (10%), maternal nutrition (5%), economic improvement (4%), and reduced diarrhea incidence (4%). Policies and programs that were key to stunting decline focused on promoting rural agriculture to improve food security; decentralization of the health system, incorporating health extension workers to improve rural access to health services and reduce open defecation; multisectoral poverty reduction strategies; and a commitment to improving girls' education. Interviews with national and regional stakeholders and mothers in communities presented improvements in health service access, women and girls' education, improved agricultural production, and improved sanitation and child care practices as drivers of stunting reduction.Conclusions: Ethiopia's stunting decline was driven by both nutrition-specific and -sensitive sectors, with particular focus on the agriculture sector, health care access, sanitation, and education.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».