Lingual Distribution of Tuberculosis Patients in Karachi - A Demographic Analysis
Notice bibliographique
Résumé
The main objective of this paper is to investigate tuberculosis patients’ demographic distribution including their sociocultural impacts among various ethnic groups in the study area. Data was collected through questionnaire survey (interviewing patients) at TB diagnostic centers in the study area over a period of eight months (March to October 2013). Analysis was made with the help of Microsoft excel and SPSS version 20 for demographic analysis.The questionnaire survey revealed the respondents in terms of languages as Urdu (33.28), Sindhi (20.63), Punjabi (14.98), Pashtu (11.48), Seraiki (10.48%) and other languages 14.81. Researchers have identified other languages (which included, Hindko, Balti, Persian, Brahvi, Marwari, Gilgiti, Gujrati) as being the most vulnerable/impoverished lingual groups in the study area. Demographically, Urdu speaking TB patients were recorded as 53% females, but the case of Sindhi speaking female patients was slightly high (50.81%) compared to males. Punjabi speaking patients were found to number almost similar to the Urdu speaking patients as the percentage of females was 52.22%. Pashtu speaking females amounted to 44.9 %, while males recorded highest percentage i.e. 55.07%.The occurrence of TB in the purview of lingual distribution of population in Karachi provides an insight into the transmission of the disease especially in the context of the global as well as local environment, cultural and politico-economic scenario.
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| 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 ».