Global Journal of Medicine & Public Health
Notice bibliographique
Résumé
Background Food waste in private hospitals is a significant issue, particularly in South Africa, where food insecurity affected 25.9% of the population. This study investigated food waste management in private hospitals, focusing on its extent, causes, and strategies to mitigate it. Methods A mixed-methods approach was employed, combining quantitative surveys (n=121) and qualitative interviews (n=10) with food service staff and management. Results Food waste in patient meals was prevalent, with 38% of respondents reporting a small extent and 37% a medium extent of waste. At least 62% noted that a quarter of the food served to patients was left uneaten, while 15% reported up to half of meals being wasted. The most common causes of food waste included patients' lack of appetite (27%) and overproduction (22%). Lunch and dinner were identified as the meals with the highest waste levels, with 44.6% and 38.8% of respondents reporting medium levels of waste, respectively. Food distribution systems also played a role, with 77.7% of hospitals using plated meals, which contributed to waste. The study found that varying portion sizes significantly reduced food waste, particularly at dinner (p<0.05). Interviews with hospital managers revealed that digital ordering systems could help reduce food waste, while patient satisfaction was identified as a key factor in minimizing waste. Challenges included staff non-compliance, inconsistent adherence to policies, and health regulations that prevented food redistribution. Conclusion There is a need for improved food management practices, enhanced staff training, and sustainable waste disposal methods to address food waste in private hospitals.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,141 | 0,031 |
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 ».