Predictors of HIV prevention knowledge and sexual behaviors among students at Makerere University Kampala, Uganda
Notice bibliographique
Résumé
Background: Prior reviews argue that unsafe sexual behaviors and poor HIV knowledge significantly increase the probability of acquiring HIV infections among adolescents. This study assessed the predictors of HIV prevention knowledge and sexual behaviors among Makerere university students in Uganda.
 
 Methods: We performed a cross-sectional survey. We performed a normality test using Shapiro Wilk test on knowledge score. Results revealed that knowledge score was not normally distributed. The study used two sample Wilcoxon Rank Sum and Kruskal Wallis Rank tests to assess the effect of HIV knowledge on demographic characteristics and sexual behaviors. Post-hoc tests were conducted using Bonferroni correction. Spearman rank correlation test was used for continuous variables while Chi-square and Fisher’s tests were used for categorical variables to assess the relationship between demographic characteristics and sexual behaviors. 
 
 Results: We report results for 1337 students. The mean age was 21.2SD (1.6) and more than half 700(52.4%) were male students. The median HIV prevention knowledge score of students was 13 IQR (11-15) in the range of 0 to 18. Males significantly scored higher than females (13.0 IQR (12-15) vs. 12.0 IQR (10-14) p=0.000), an increase in age was associated with higher knowledge scores (Rho = 0.101, p = 0.000). Students in the third year of study significantly scored higher than those in the first year, and government-sponsored students scored higher than the privately sponsored students. HIV knowledge was also significantly associated with sexual experience, and condom use at univariate level but insignificant at multiple level analysis. Males were more likely to have ever had sex (31.7% vs. 12.7%) and ever used a condom (63% vs. 55%) than females respectively
 
 Conclusion: Our findings suggest that Makerere University students possessed good knowledge on HIV. There is evidence of an association between student’s knowledge, and demographic characteristics and a few sexual behaviors. Future behavioral and educational programs that target both sexually and non-sexually experienced students should address the gender differences.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».