Utilisation de suppléments alimentaires et apport en fer, en zinc et en folate chez les femmes enceintes de London, Ontario
Bibliographic record
Abstract
<sec> <title>Introduction</title> Nous avons examiné l’apport alimentaire en fer, en zinc et en folate, estimé à partir d’aliments et de suppléments, chez 2 019 femmes enceintes ayant participé au Prenatal Health Project (PHP). Le PHP a recruté des femmes enceintes dans des cliniques d’échographie de London (Ontario) entre 2002 et 2005. </sec> <sec> <title>Méthodologie</title> Les participantes ont répondu à une enquête téléphonique qui comprenait un questionnaire sur la fréquence de consommation des aliments, ainsi que des questions sur l’utilisation de suppléments alimentaires, ce qui nous a permis d’établir les fréquences d’utilisation de suppléments alimentaires. Nous avons estimé les valeurs d’apport nutritionnel à partir des aliments et des suppléments puis nous les avons additionnées pour calculer l’apport quotidien total. </sec> <sec> <title>Résultats</title> La plupart des femmes prenaient un supplément de multivitamines, et elles étaient nombreuses à prendre des suppléments d’acide folique et de fer; toutefois, un cinquième de l’échantillon n’utilisait aucun supplément contenant l’un de ces trois micronutriments. Malgré le fait que, dans l’ensemble, ces femmes bénéficiaient d’un statut socio-économique élevé, une proportion importante de la cohorte affichait des valeurs inférieures aux valeurs de l’apport nutritionnel recommandé pour le fer, le zinc et le folate. Ces résultats laissent croire que d’autres obstacles auraient une incidence sur les habitudes alimentaires. </sec> <sec> <title>Conclusion</title> Il faut pousser plus loin la recherche quant à la façon de mieux promouvoir l’utilisation de suppléments et une saine alimentation durant la grossesse. </sec>
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.005 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".