Women's Knowledge, Attitude, and Perceptions Toward COVID-19 in Lower-Middle-Income Countries: A Representative Cross-Sectional Study in Bangladesh
Notice bibliographique
Résumé
The coronavirus disease 2019 (COVID-19) is a global health emergency of unprecedented proportions. Countries around the world have taken extraordinary steps to control the disease. The preventive measures face challenges in low and lower middle income countries (LICs and LMICs). Especially the marginalized communities, e.g., women are the hardest hit of the virus. This study took Bangladesh as a representative LMIC and aimed to determine the level of knowledge, perception, attitude, and preparedness related to COVID-19 among the adult women in the country. Using a comprehensive questionnaire, we channeled a cross-sectional study among adult women in Bangladesh. Participant’s self-reported data on the knowledge, attitude, and preparedness were tabulated and analyzed using suitable statistical tools. A total of 1869 adults from 61 districts of Bangladesh took part in this study. 97% of the participants claimed to have heard of COVID-19 before it arrived in Bangladesh. Regarding the general knowledge related to COVID-19’s causal agent, symptoms, and treatment, the positive response rate was nearly 80%, with a mean of 10.68 ± 1.72. Younger and educated women had better knowledge levels compared to the older and lower-educated participants (p < 0.01). More efforts are required to educate women with older age and lower socioeconomic status. An overall positive attitude and perception were observed, although a significant proportion of the participants opined that the Government’s efforts in controlling the outbreak were not adequate. Although the participants had a satisfactory level of knowledge and a positive attitude in adopting preventive measures against COVID-19, greater efforts are needed from the healthcare authorities and Government.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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) | 0,001 | 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 ».