A framework to model global, regional, and national estimates of intimate partner violence
Notice bibliographique
Résumé
BACKGROUND: Accurate and reliable estimates of violence against women form the backbone of global and regional monitoring efforts to eliminate this human right violation and public health problem. Estimating the prevalence of intimate partner violence (IPV) is challenging due to variations in case definition and recall period, surveyed populations, partner definition, level of age disaggregation, and survey representativeness, among others. In this paper, we aim to develop a sound and flexible statistical modeling framework for global, regional, and national IPV statistics. METHODS: We modeled IPV within a Bayesian multilevel modeling framework, accounting for heterogeneity of age groups using age-standardization, and age patterns and time trends using splines functions. Survey comparability is achieved using adjustment factors which are estimated using exact matching and their uncertainty accounted for. Both in-sample and out-of-sample comparisons are used for model validation, including posterior predictive checks. Post-processing of models' outputs is performed to aggregate estimates at different geographic levels and age groups. RESULTS: A total of 307 unique studies conducted between 2000-2018, from 154 countries/areas, and totaling nearly 1.8 million unique women responses informed lifetime IPV. Past year IPV had a similar number of studies (n = 332), countries/areas represented (n = 159), and individual responses (n = 1.8 million). Roughly half of IPV observations required some adjustments. Posterior predictive checks suggest good model fit to data and out-of-sample comparisons provided reassuring results with small median prediction errors and appropriate coverage of predictions' intervals. CONCLUSIONS: The proposed modeling framework can pool both national and sub-national surveys, account for heterogeneous age groups and age trends, accommodate different surveyed populations, adjust for differences in survey instruments, and efficiently propagate uncertainty to model outputs. Describing this model to reproducible levels of detail enables the accurate interpretation and responsible use of estimates to inform effective violence against women prevention policy and programs, and global monitoring of elimination efforts as part of the Sustainable Development Goals.
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 | 0,035 | 0,076 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».