What constitutes a syndemic? Methods, contexts, and framing from 2019
Notice bibliographique
Résumé
PURPOSE OF REVIEW: The purpose of this review is to describe what methods were used for 60 articles on HIV syndemics in 2019, where they took place, what syndemic clusters emerged, and why this matters. RECENT FINDINGS: Most articles published in 2019 used regression analyses, and fewer used higher level modeling techniques, frequencies and descriptive, longitudinal cohort study, and social network analysis. Some employed ethnography, qualitative interviews, or were simply reviews. Most syndemic co-factors were substance abuse, risky sexual behavior, depression, intimate partner violence, stigma, sexually transmitted infections, and trauma and non-communicable diseases. Half of the studies were conducted in the United States and mostly in urban areas. Other contexts were Canada, Kenya, Uganda, Liberia, Nigeria, South Africa, and Botswana, Jamaica, Dominican Republic, India, Indonesia, China, Peru, and Romania. SUMMARY: Most recommendations suggested that people living with HIV need interventions that address other factors situated within their life, such as their mental health, social stigma, experiences of trauma and intimate partner violence, and social stigma and sexual risk taking. Many took an intersectoral approach and emphasized the need to consider the various factors that shape experiences with HIV, from sex, sexuality, class, race and ethnicity, and past trauma.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 ».