Assessing HIV Risk in Workplaces for Prioritizing HIV Preventive Interventions in Karnataka State, India
Notice bibliographique
Résumé
OBJECTIVE: To develop a model for prioritizing economic sectors for HIV preventive intervention programs in the workplace. METHODS: This study was undertaken in Karnataka state, India. A 3-stage survey process was undertaken. In the first stage, we reviewed secondary data available from various government departments, identified industries in the private sector with large workforces, and mapped their geographical distribution. In the second stage, an initial rapid risk assessment of industrial sectors was undertaken, using key-informant interviews conducted in relation to a number of enterprises, and in consultation with stakeholders. In the third stage, we used both quantitative (polling booth survey) and qualitative methods (key informant interviews, in-depth interviews, focus group discussions) to study high-risk sectors in-depth, and assessed the need and feasibility of HIV workplace intervention programs. RESULTS: The highest risk sectors were found to be mining, garment/textile, sugar, construction/infrastructure, and fishing industries. Workers in all sectors had at best partial knowledge about HIV/AIDS, coupled with common misconceptions about HIV transmission. There were intersector and intrasector variations in risk and vulnerability across different geographical locations and across different categories of workers. This has implications for the design and implementation of workplace intervention programs. CONCLUSIONS: There is tremendous scope for HIV preventive interventions in workplaces in India. Given the variation in HIV risk across economic sectors and limited available resources, there will be increased pressure to prioritize intervention efforts towards high-risk sectors. This study offers a model for rapidly assessing the risk level of economic sectors for HIV intervention programs.
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 | 0,001 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 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 ».