How Canadian Service Providers Understand, and Incorporate, Biomedical Knowledge of HIV into their Prevention Work and their Own Sexual Practices
Notice bibliographique
Résumé
Background: HIV prevalence in Kenya dropped from 7.4% in 2007 to 5.6% in 2012.Despite this decrease, the HIV prevalence in Nyanza region remains the same, 15.1%.This high prevalence may be driven by the highly migratory ''high risk'' fishing communities residing along the shores of Lake Victoria in Nyanza, with HIV prevalence at 25.6%.We examined the association between mobility patterns and perceived sexual practices of the fisher folk.Methods: Beach management units' registers were used to identify and determine the number of fisher folk in every fish landing beach on the shores of Lake Victoria in Kenya.Probability proportionate to size sampling was used to draw a random sample of 2638 across 308 beaches for participation in a crosssectional survey.Data was collected on sociodemographics, mobility patterns and reported sexual concurrency.Descriptive statistics and logistic regressions were used for data analysis.Results: In 2013 mobility was mainly to Homabay and Siaya counties which are high HIV prevalent areas, *36% and 31% respectively.Mobility was highest between April and December, 167 (33.3%) and 119 (23.7%) in Homa Bay and Siaya respectively.Approximately 36% suspected their partners had concurrent partners and 566 (46.1%) of the respondents reported that they were currently in a concurrent relationships.Mobility was significantly associated with reported sexual concurrency (OR 1.423 95% CI 1.09-1.85p = 0.009).After controlling for age, gender, education level, income, reported condom use, age of last born child, marital status, alcohol use and duration of relationship with the most recent sexual partner, mobility was significantly associated with concurrency (AOR 1.74 95% CI 1.01-2.98p = 0.046).Conclusions: Mobility and concurrent sexual practices among fisher folk may contribute the sustained high HIV prevalence in Nyanza and calls for targeted HIV prevention and care services.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,021 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,002 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,023 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».