Can microcredit help improve the health of poor women? Some findings from a cross-sectional study in Kerala, India
Notice bibliographique
Résumé
BACKGROUND: This study examines associations between female participation in a microcredit program in India, known as self help groups (SHGs), and women's health in the south Indian state of Kerala. Because SHGs do not have a formal health program, this provides a unique opportunity to assess whether SHG participation influences women's health via the social determinants of health. METHODS: This cross-sectional study used special survey data collected in 2003 from one Panchayat (territorial decentralized unit). Information was collected on women's characteristics, health determinants (exclusion to health care, exposure to health risks, decision-making agency), and health achievements (self assessed health, markers of mental health). The study sample included 928 non elderly poor women. RESULTS: The primary finding is that compared to non-participants living in a household without a SHG member, the odds of facing exclusion is significantly lower among early joiners, women who were members for more than 2 years (OR = 0.58, CI = 0.41-0.80), late joiners, members for 2 years and less (OR = 0.60, CI = 0.39-0.94), and non-participants who live in a household with a SHG member (OR = 0.53, CI = 0.32-0.90). We also found that after controlling for key women's characteristics, early joiners of a SHG are less likely to report emotional stress and poor life satisfaction compared to non-members (OR = 0.52, CI = 0.30-0.93; OR = 0.32, CI = 0.14-0.71). No associations were found between SHG participation and self assessed health or exposure to health risks. The relationship between SHG participation and decision-making agency is unclear. CONCLUSION: Microcredit is not a panacea, but could help to improve the health of poor women by addressing certain issues relevant to the context. In Kerala, SHG participation can help protect poor women against exclusion to health care and possibly aid in promoting their mental health.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».