Information sources, awareness and preventive health behaviors in a population at risk of Arsenic exposure: The role of gender and social networks
Notice bibliographique
Résumé
The population of Paracatu is at risk of Arsenic (As) exposure associated with long-term exploration of the largest open pit gold mine in Brazil. As part of the interdisciplinary research "The Paracatu project: Arsenic environmental contamination and human health risks assessment in Paracatu-MG", carried out between 2011 and 2013, we used data disaggregated by gender to identify the sources of As-related information being accessed by inhabitants of Paracatu and to examine if access to these sources was correlated to awareness of As health effects and adoption of behaviors to reduce risk of As exposure. Semi-structured, face-to-face interviews were carried out with 460 participants (294 women and 166 men) to collect data on respondent's socio-demographic characteristics, use of mass media and social communication networks as sources of information on As issues, the trustworthiness of these information sources, awareness of As health effects, and adoption of behaviors to reduce As exposure. For both men and women, interpersonal communication was used and trusted more frequently than mass media to obtain information on As. Discussion of As issues occurred preferentially among individuals of the same gender and was associated with awareness of As health risks. There are marked differences in variables correlated with the adoption of behaviors to reduce the risk of As exposure between men and women. Discussing As issues with women was associated with adoption of risk-reduction practices for both genders. In contrast, men who discuss As issues with other men were less likely to adopt As exposure prevention behaviors. Finally, adoption was associated with awareness of As health effects for women, but this was not the case for men. Policy implications for decision makers, practitioners and researchers are discussed, based on concrete examples of how gender-specific approaches can effectively guide the formulation and implementation of health promotion campaigns and programs.
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 | 0,001 | 0,006 |
| 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 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 ».