Hotspots and Regional Variation in Smoking Prevalence Among 514 Districts in Indonesia: Analysis of Basic Health Research 2018
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: The prevalence among adult men in Indonesia is among the highest in the world. Objective: Our study examines the hotspots and regional variation in smoking prevalence among 514 districts in Indonesia. METHODS: Taking advantage of the latest national health survey (Basic Health Research, Riskesdas 2018), which included smoking prevalence representative at the district level. We assessed the smoking prevalence among male and female adults (15+ years) and youth (13-14 years). We conducted geospatial analyses, using ArcMap 10.6, including quintile analysis (mapping the smoking prevalence by quintile for each district) and hotspot analysis (using Getis-Ord Gi* statistics to produce the hotspots, areas with a significantly higher density of advertisements). We also conducted quantitative analyses, using Stata 15.1, on geographic disparity, including region and urbanicity. RESULTS: We found huge disparity in smoking prevalence between districts, ranging from 9 to 81% for men, 0 to 50% for, 0 to 41% for women, and 0 to 50% for girls. We found up to 62 and 47 smoking hotspots among males and females, respectively. The poorest districts had significantly higher smoking prevalence among men but lower smoking prevalence among boys, and less educated districts had higher smoking prevalence among women. CONCLUSION: There were significant hotspots and regional variations among 514 districts in Indonesia.
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.
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 | 0,011 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,010 |
| 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 découle