A systematic review of drivers and interventions against sex work migration in Edo State, Nigeria
Notice bibliographique
Résumé
Purpose Sex work migration involves a huge number of females from Nigeria, and has attracted concerns within and across the country. To add to ongoing conversations about responsible migration, our review underscores the prevalence of sex work migration in Edo State, Nigeria, the drivers and interventions. Design/methodology/approach The review adopted exhaustive search terms coined with the aid of “Boolean Operators”. Search terms were entered into several search engines and databases to elicit peer-reviewed and grey literature within sex work migration and human trafficking for commercial sex. An output of 578 studies was recorded with 76 (43 academic papers and 33 grey literature) meeting the inclusion criteria. Findings The study acknowledged wide-spread prevalence of sex work migration involving Nigerian females who are largely from Edo State. It achieved a prioritization of the factors that drive sex work migration based on how frequent they were mentioned in reviewed literature: economic (64.4%), cultural (46%), educational (20%), globalization (14.5%) and political factors (13.2%). Several interventions were highlighted together with their several limitations which include funding, absence of grass-roots engagement, dearth of appropriate professionals, corruption, weak political will, among others. A combination of domestic and international interventions was encouraged, and social workers were found to be needful. Originality/value Our systematic review is the first on this subject, as none was found throughout our search. It seeks to inform policy measures and programmes, as well as horizontal efforts poised to tackle the rising figures of sex work migrants and attendant consequences in Nigeria.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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 ».