MétaCan
Menu
Retour à la cohorte
Enregistrement W2609698366 · doi:10.1080/17441692.2017.1316413

Timing and utilisation of antenatal care service in Nigeria and Malawi

2017· article· en· W2609698366 sur OpenAlexaff
Vincent Kuuire, Joseph Kangmennaang, Kilian Nasung Atuoye, Roger Antabe, Sheila A. Boamah, Siera Vercillo, Jonathan Amoyaw, Isaac Luginaah

Notice bibliographique

RevueGlobal Public Health · 2017
Typearticle
Langueen
DomaineMedicine
ThématiqueGlobal Maternal and Child Health
Établissements canadiensWestern UniversityUniversity of WaterlooQueen's University
Organismes subventionnairesUnited States Agency for International Development
Mots-clésDeveloping countryEconomic growthPrenatal careMaternal healthService (business)PopulationMedicineBusinessNursingEnvironmental healthHealth servicesSocioeconomicsSociologyEconomics

Résumé

récupéré en direct d'OpenAlex

As the world draws curtains on the implementation of Millennium Development Goals (MDGs), there is increasing interest in evaluating the performance of countries on the goals and assessing related challenges and opportunities to inform the upcoming Sustainable Development Goals (SDGs). This study examined changes in the timing and utilisation of maternal health care services in Nigeria and Malawi; using multivariate negative log-log and logistic regression models fitted to demographic and health survey data sets. Predicted probabilities were also computed to observe the net differences in the likelihood of both the first and the required number of antenatal care (ANC) visits for each of the three analysis years. Women in Nigeria were 7% less likely in 2008 compared to 2003, and in Malawi, 32% more likely in 2013 compared to 2000, to utilise ANC in the first trimester of pregnancy. Timing of first ANC visit was strongly influenced by wealth in Nigeria but not in Malawi. The findings in our case studies show how various contextual factors may enable or inhibit policy performance. Maternal and child health, SDGs should incorporate both wealth and degrees of urbanicity into country level implementation strategies.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,037
Score d'incertitude au seuil0,073

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0000,001
Communication savante0,0010,001
Science ouverte0,0000,001
Intégrité de la recherche0,0000,001
Charge utile insuffisante (le modèle a refusé de juger)0,0010,000

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 Opus0,047
Tête enseignante GPT0,343
Écart entre enseignants0,296 · 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 source (Gemma direct ou Codex distillé), pas un consensus.

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

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

En bref

Citations58
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueGlobal Public HealthMême sujetGlobal Maternal and Child HealthTravaux en français237 207