Patterns of computer and Internet use and its association with HIV knowledge in selected countries in sub-Saharan Africa
Notice bibliographique
Résumé
BACKGROUND: Healthcare systems in Sub-Saharan Africa (SSA) are fraught with numerous governance and infrastructural issues including lack of access to quality care and health worker shortage. Policy makers are becoming increasingly interested in adopting novel technologies such as web-based interventions within the scope of e-Health to bridge the gaps in care delivery in a cost-effective and sustainable manner. Successful implementation of these policies is reliant on evidences regarding people's access to these technologies, which are scarce for countries in SSA. OBJECTIVES: To 1) investigate the variation in the prevalence of accessing computer and internet across regional and socioeconomic groups, and 2) assess association between ever accessing computer and internet and knowledge of routes and risk factors of HIV transmission in selected SSA countries. METHODS: We analyzed cross-sectional datasets from UNICEF Multiple Indicator Cluster Surveys. Participants were16,194 men and 39,121 women from Ghana, Guinea Bissau, Malawi and Zimbabwe. Main outcome variable was ever-accessing computer and Internet for any purpose. Associations were assessed by multivariable regression methods. RESULTS: Lifetime computer usage in Ghana, Guinea Bissau, Malawi and Zimbabwe was respectively 21.5%, 13.4%, 12.3%, 28.4% among men, and 12.5%, 8.3%, 4.8%, 20.5% among women, and that of internet was 14.9%, 11.7%, 10.8%, 34% among men, and 6.4%, 6.9%, 4.2%, 21.6% among women in the aforementioned order. Participants who reported ever using computer and Internet were more likely to have higher knowledge regarding the transmission of HIV compared to those who did not. CONCLUSIONS: Prevalence of lifetime access to computer and Internet was considerably low in all four countries. Several socioeconomic factors appeared to be associated with the access to computer and Internet, addressing which might prove beneficial for the successful expansion e-Health in these countries.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,000 | 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 ».