MétaCan
Menu
Retour à la cohorte
Enregistrement W2089817794 · doi:10.1353/hpu.0.0226

Unintentional Childhood Injuries in Sub-Saharan Africa: An Overview of Risk and Protective Factors

2009· review· en· W2089817794 sur OpenAlexaff
Mónica Ruiz‐Casares

Notice bibliographique

RevueJournal of Health Care for the Poor and Underserved · 2009
Typereview
Langueen
DomaineMedicine
ThématiqueInjury Epidemiology and Prevention
Établissements canadiensMcGill UniversityCentre de Santé et de Services Sociaux de la Montagne
Organismes subventionnairesnon disponible
Mots-clésSocioeconomic statusEnvironmental healthPsychological interventionMedicineInjury preventionOccupational safety and healthContext (archaeology)Poison controlEpidemiologyHuman factors and ergonomicsSuicide preventionDeveloping countryPopulationGeographyEconomic growthNursing

Résumé

récupéré en direct d'OpenAlex

The rate of unintentional injuries for children in sub-Saharan Africa has reached 53.1 per 100,000, the highest for regions across all income levels. This paper reviews the relevant literature on the epidemiology of unintentional childhood injuries in the region, with an emphasis on the risk factors associated with it. Several demographic, socioeconomic, and environmental factors contributing to injuries in children have been documented for the main causes of injury. Despite the high burden, child injury prevention and control programs and policies are limited or non-existent in many countries in the region. Accurate data regarding these injuries across and within countries is incomplete. Population-based estimates and investigations into context-specific risk factors, safety attitudes, and behaviours are needed to inform the development of effective interventions.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Autre devis · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,971
Score d'incertitude au seuil0,522

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0020,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,133
Tête enseignante GPT0,410
Écart entre enseignants0,277 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeAutre devis
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations68
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJournal of Health Care for the Poor and UnderservedMême sujetInjury Epidemiology and PreventionTravaux en français237 207