Understanding Out-Migration Among Female Sex Workers in South India
Notice bibliographique
Résumé
BACKGROUND: Migrant sex workers are known to be vulnerable to HIV. There is substantial female sex worker (FSW) mobility between the borders of Maharashtra and Karnataka, but little programming emphasis on migrant FSWs in India. We sought to understand the individual/cultural, structural, and contextual determinants of migration among FSWs from Karnataka. METHODS: A cross-sectional face-to-face interview of 1567 FSWs from 142 villages in 3 districts of northern Karnataka, India was conducted from January to June 2008. Villages having 10+ FSWs, a large number of whom were migrant, were selected following mapping of FSWs. Multinomial logistic regression was conducted to identify characteristics associated with migrant (travelled for ≥ 2 weeks outside the district past year) and mobile (travelled for <2 weeks outside the district past year) FSWs; adjusting for age and district. RESULTS: Compared with nonmigrants, migrant FSWs were more likely to be brothel than street based (Adjusted Odds Ratio (AOR): 5.7; 95% confidence interval: 1.6-20.0), have higher income from sex work (Adjusted Odds Ratio (AOR): 42.2; 12.6-142.1), speak >2 languages (AOR: 5.6; 2.6-12.0), have more clients (AOR per client: 2.9; 1.2-7.2), and have more sex acts per day (AOR per sex act: 3.5; 1.3-9.3). Mobile FSWs had higher income from sex work (AOR: 13.2; 3.9-44.6) relative to nonmigrants, but not as strongly as for migrant FSWs. CONCLUSION: Out-migration of FSWs in Karnataka was strongly tied to sex work characteristics; thus, the structure inherent in sex work should be capitalized on when developing HIV preventive interventions. The important role of FSWs in HIV epidemics, coupled with the potential for rapid spread of HIV with migration, requires the most effective interventions possible for mobile and migrant FSWs.
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 | 0,001 |
| 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 ».