Assortativity and Mixing by Sexual Behaviors and Sociodemographic Characteristics in Young Adult Heterosexual Dating Partnerships
Notice bibliographique
Résumé
BACKGROUND: Assortative sexual mixing, the tendency for individuals to choose partners with similar characteristics to themselves, may be an important contributor to the unequal distribution of sexually transmitted infections in populations. We analyzed the tendency for assortative mixing on demographic and sexual behaviors characteristics in newly formed young adults dating partnerships. METHODS: Women aged 18 to 24 years and their male sexual partners of no more than 6 months were recruited during 2005 to 2010 at universities in Montreal, Canada. New dating partners were also prospectively recruited during the 2-year follow-up. We used Spearman and Newman coefficients to examine correlations between partners' demographic characteristics and sexual behaviors, and multivariable logistic modeling to determine which characteristics were assortative. RESULTS: Participants in 502 recruited partnerships were assortative on age (Spearman P = 0.60), smoking behavior (P = 0.43), ethnicity (Newman coefficient=0.39), lifetime number of sexual partners (P = 0.36), sex partner acquisition rates (P = 0.22), gap length between partnerships (P = 0.20), and on whether they had concurrent partners (P = 0.33). Partners were assortative on number of lifetime partners, sexual partner acquisition rates, concurrency, and gap length between partnerships even after adjustment for demographic characteristics. Reported condom use was correlated between initial and subsequently recruited partners (P = 0.35). There was little correlation between the frequencies of vaginal/oral/digital/anal sex between subsequent partnerships. CONCLUSIONS: Dating partnerships were substantially assortative on various sexual behaviors as well as demographic characteristics. Though not a representative population sample, our recruitment of relatively new partnerships reduces survivor bias inherent to cross-sectional surveys where stable long-term partnerships are more likely to be sampled.
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 | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».