HIV-related knowledge in Nigeria: a 2003-2013 trend analysis
Notice bibliographique
Résumé
BACKGROUND: Given Nigeria's status as the country with the second highest number of people living with HIV globally, and 9% of the total global burden of HIV being attributable to Nigeria alone in 2013, improving our understanding of the nature of the HIV epidemic in Nigeria is crucial. As HIV-related knowledge may be an important contributor to engagement in preventive behaviours, it is of interest to investigate trends in HIV-related knowledge in Nigeria with the purpose of informing future HIV prevention and education efforts. This study therefore aims to investigate trends in HIV-related knowledge in Nigeria between 2003 and 2013. METHODS: Data were derived from the 2003-2013 Nigerian Demographic and Health Surveys, and HIV-related knowledge scores were computed based on answers to HIV-related knowledge questions in the surveys. The significance of the difference between HIV-related knowledge across the time points was determined via the Kruskal-Wallis test, and changes in HIV-related knowledge were displayed graphically, stratified by relevant socio-demographic characteristics. ARIMA models were fit to the 2003 to 2013 trend data. RESULTS: Although there was generally a decrease in HIV-related knowledge across most knowledge domains in 2008, an overall increase was observed between 2003 and 2013. Unfortunately however, this was not the case for knowledge of mother-to-child transmission, which decreased between 2003 and 2013. The disparity in knowledge of HIV risk reduction between states also increased over time. CONCLUSION: These findings suggest that although HIV-related knowledge appears to be increasing overall, future HIV prevention and education programs should focus on specific knowledge domains such as mother-to-child transmission, and on specific states in which HIV-related knowledge remains low.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».