Prevalence of childhood exposure to intimate partner violence in low-income and lower-middle-income countries: a systematic review
Notice bibliographique
Résumé
OBJECTIVE: To determine the proportion of children in low-income and lower-middle-income countries exposed to intimate partner violence (IPV). DESIGN: Systematic review. DATA SOURCES: PubMed, CINAHL, ERIC, PsycINFO, Web of Science, WHO Global Index Medicus, and Violence and Abuse Abstracts, hand searching of specialised journals from inception until 19 May 2019. ELIGIBILITY CRITERIA FOR SELECTING STUDIES: Primary quantitative studies that included a measure of self-reported exposure to IPV prior to age 18 and were conducted in low-income and lower-middle-income countries. DATA EXTRACTION AND SYNTHESIS: Data were screened, extracted and appraised by two independent reviewers. The prevalence estimates were pooled using a random-effects model. Outcomes included lifetime and past-year prevalence of childhood exposure to IPV. Meta-regression was used to explore heterogeneity. Publication bias was assessed using a funnel plot and Egger's regression test. The Preferred Reporting Items for Systematic Reviews and Meta-Analyses guidelines were followed. RESULTS: Sixty-two studies with a total of 231 512 participants were included. Eighty-five lifetime prevalence estimates and 6 estimates of past-year prevalence were available for synthesis. The average lifetime prevalence of childhood exposure to IPV was 29% (95% CI 26% to 31%). The average past-year prevalence in children was 35% (95% CI 21% to 48%). The lifetime prevalence disaggregated by WHO regions ranged from 21% to 34%. There were no statistical differences in prevalence estimates between samples of men and women. CONCLUSION: Almost one-third of children in low-income and lower-middle-income countries have been exposed to IPV in their lifetime. There was large heterogeneity between estimates that was not explained by available study and sample characteristics. Our findings indicate that children's exposure to IPV in low-income and lower-middle-income countries is common and widespread; prevention of this major public health exposure should be a priority. PROSPERO REGISTRATION NUMBER: CRD42019119698.
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 | 0,010 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 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 | 0,004 | 0,002 |
| 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 ».