Analyses of inequalities in RMNCH: rising to the challenge of the SDGs
Notice bibliographique
Résumé
The Sustainable Development Goal (SDG) 17.18 recommends efforts to increase the availability of data disaggregated by income, gender, age, race, ethnicity, migratory status, disability and geographic location in developing countries. Surveys will continue to be the leading data source for disaggregated data for most dimensions of inequality. We discuss potential advances in the disaggregation of data from national surveys, with a focus on the coverage of reproductive, maternal, newborn and child health indicators (RMNCH). Even though the Millennium Development Goals were focused on national-level progress, monitoring initiatives such as Countdown to 2015 reported on progress in RMNCH coverage according to wealth quintiles, sex of the child, women's education and age, urban/rural residence and subnational geographic regions. We describe how the granularity of equity analyses may be increased by including additional stratification variables such as wealth deciles, estimated absolute income, ethnicity, migratory status and disability. We also provide examples of analyses of intersectionality between wealth and urban/rural residence (also known as double stratification), sex of the child and age of the woman. Based on these examples, we describe the advantages and limitations of stratified analyses of survey data, including sample size issues and lack of information on the necessary variables in some surveys. We conclude by recommending that, whenever possible, stratified analyses should go beyond the traditional breakdowns by wealth quintiles, sex and residence, to also incorporate the wider dimensions of inequality. Greater granularity of equity analyses will contribute to identify subgroups of women and children who are being left behind and monitor the impact of efforts to reduce inequalities in order to achieve the health SDGs.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,000 | 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 | 0,000 |
| 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 ».