Prevalence and Predictors of Violence Against Women in Pakistan
Notice bibliographique
Résumé
Violence against Pakistani women occurs at an alarming prevalence that reflects a significant risk to the health of women and families. Understanding violence against women in Pakistan comes with methodological and cultural complexities. Many of the studies examining prevalence and predictors of violence against women tend to utilize convenience samples contributing to the possibility of an inflated prevalence. Due to the patriarchal family structure and cultural context, domestic violence is normalized resulting in extremely low reporting rates. The present study utilizes a sample of ever-married Pakistani women collected across five provinces to shed light on the prevalence and predictors of women that experience domestic violence (emotional or physical abuse). Data were obtained from the 2012-2013 Pakistan Demographic and Health Survey including a large sample of Pakistani women from five provinces (Sindh, Punjab, Balochistan, Khyber Pakhtunkhwa, and Gilgit Baltistan). Binary Linear regressions were conducted to examine how intrinsic variables (age, education, region, urban/rural, type of marital relationship, and wealth) predicted experiencing emotional or physical abuse from one's husband within the past year. Approximately, 20% of women endorsed experiencing physical violence and 28% endorsed experiencing emotional violence. Results found that educational level, wealth, and type of marital relationship were associated with a higher likelihood of experiencing some form of physical or emotional violence. Implications from this study support policy interventions aimed at education within the family, linking women with resources, and continued investment in the education of young women. Interventions would be best targeted in low wealth regions with a special emphasis on rural areas.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».