Risk behaviour and injury risk factors: in multi country analysis
Notice bibliographique
Résumé
Background Childhood injury is one of the major preventable public health problems. Unintentional injuries account for almost 90% of worlds million deaths from injury and violence in children and young people under the age of 18 years. Canada has one of the best healthcare and surveillance system in this world. Malaysia undertakes several initiatives to tackle this preventable public health problem; but it will take time and need more population enrichment and participations. Bangladesh is far off from its goal; need more immediate actions and further assistance from international communities. Objectives (1) To determine the prevalence of risk factors for Childhood injury in Bangladesh, Malaysia and Canada and their country wise differences. (2) To determine the barriers and enablers to adopt injury prevention strategies such as car seats, bicycle helmet use, in those countries and their country wise differences. Methodology The study will examine the existing data and newly collected data for population-based estimates of specific variables. A need assessment survey will be conducted to collect qualitative information. Exploratory data analysis techniques will use for checking the consistency and validity of data, contingency table analysis for testing independence of categorical data and finally, Qualitative analyses will be done by using thematic content analysis. Target Population Target population will be between ages 1 to 18 years of old. Expected Outcome Better understanding of knowledge and behaviours related to injury prevention. Ideas can be directly applied to a program targeting these countries.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».