Post-test comparison of HIV test knowledge and changes in sexual risk behaviour between clients accessing HIV testing online versus in-clinic
Notice bibliographique
Résumé
Objective Internet-based HIV testing offers the potential to address privacy-related barriers to testing and increase frequency of testing but may result in missed opportunities related to sexual health education and prevention that typically occur in face-to-face encounters. In this study, we assessed the HIV test knowledge and sexual risk behaviour of clients testing for HIV through GetCheckedOnline , an internet-based sexually transmitted and bloodborne infection testing platform inclusive of HIV testing, in comparison to clients testing through a large sexual health clinic. Methods We concurrently recruited GetCheckedOnline clients and clinic clients from Vancouver, Canada, over the course of a 10-month period during 2015–2016. Participants completed baseline and 3-month questionnaires, anonymous and online. A six-item score was used to estimate knowledge of HIV test concepts typically conveyed during an HIV pretest encounter in a clinic. We used multiple regression to estimate associations between testing modality (online vs clinic based) and two outcomes—HIV test knowledge and change in condom use pre/post-test—with adjustment for relevant background factors. Results Among 352 participants, online testers demonstrated higher HIV post-test knowledge than clinic-based testers (mean score 4.65/6 vs 4.09/6; p<0.05); this difference was reduced in adjusted analysis (p>0.05). Men who have sex with men, clients with a university degree, those who have lived in Canada >10 years and English speakers had higher HIV post-test knowledge (p<0.05). Eighteen per cent of online testers and 10% of clinic-based testers increased condom use during the 3 months post-test (p>0.05). Conclusions In this comparative study between online and clinic-based testers, we found no evidence of decreased HIV test knowledge or decreased condom use following HIV testing through GetCheckedOnline . Our findings suggest that with careful design and attention to educational content, online testing services may not lead to missed opportunities for HIV education and counselling.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».