Fertility Knowledge Among Women Struggling to Conceive Without Medical Intervention: A Brief Report
Notice bibliographique
Résumé
Introduction Approximately 1 in 6 women experience infertility. Though medical treatments for infertility exist, they are very costly and highly burdensome for women. It is therefore desirable to optimize women's chances of conception without medical intervention by ensuring that they have adequate knowledge of the female menstrual cycle and the timing of the fertile window. The current study therefore aimed to assess the degree to which women struggling to conceive without medical intervention are knowledgeable about these topics. Methods One hundred and two women of reproductive age (18–45 years old) in Canada and the United States who had been struggling to conceive without medical intervention for ≥12 months completed an online survey including a questionnaire assessing knowledge related to reproduction and fertility. Results Mean accuracy score on the Fertility Knowledge Questionnaire was 67%. Seventy-two women were not aware that the week before ovulation was associated with the highest chances of conception. Women using cervical mucus tracking to increase chances of conception were more knowledgeable ( p = 0.02), as were women with more formal education ( p = 0.01). Conversely, women who had been attempting to conceive for longer had lower fertility knowledge ( p = 0.03). Age, number of children, and family income were unrelated to fertility knowledge ( p > 0.05). Discussion Our findings suggest that women who are struggling to conceive would benefit from education related to the timing and identification of the fertile window. Reproductive and primary healthcare providers can play an important role in assessing fertility knowledge and addressing knowledge gaps to improve chances of successful conception.
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 | 0,004 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».