P6.003 Geographic Mapping of Female Sex Workers and Venue Profiling in Urban and Rural Districts of Zigong, Sichuan, China
Notice bibliographique
Résumé
<h3>Introduction</h3> The purpose of this study is to geographically enumerate the population size of female sex workers (FSWs) and venue profiling of key venues, and to reveal the key elements which are related to the high risk sexual behaviours among FSWs in urban and rural areas of Zigong city in Sichuan, China. <h3>Methods</h3> Geographic mapping data were collected through systematically identifying hidden key venues in the rural and urban districts of Zigong. Venue profiling data were collected by interviewing key informants (KI) about the details of sex work operation, such as type of venue, duration of operation, operation days and time, peak days and time, services provided at each venue, number of clients on an average day and a peak day. To avoid social desirability bias of face-to-face interview, Polling Booth Survey was used to gather high risk sexual behaviours among FSWs (N = 60). <h3>Results</h3> A total of 324 key venues were mapped in Zigong. The key venues are massage parlours (108), teahouses (74) and small hotels (45), which accounting for 33.3%, 22.8% and 13.9% of total venues mapped. 112 venue KIs were interviewed and confirmed a total of 378 FSWs working in those 112 venues. The average number of FSWs per venue is 4. The age of the majority (80.4%) of FSWs was around 20 to 40 years old. The total estimated number of FSWs in Zigong is 1296. The sexual behaviours and operation patterns of key venues in urban and rural areas are different. Not consistent condom use, STI symptoms, and drug use are some typical high risk behaviours. <h3>Discussion and Conclusion</h3> Sex work industry is emerged in general social life in urban and rural China. The scope and operation of sex industry pose a special challenge to public health intervention programmes
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 | 0,000 |
| 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 ».