Sexual health behavior, health status, and knowledge among queer womxn and trans men in Kenya: An online cross-sectional study
Notice bibliographique
Résumé
INTRODUCTION: Little research has been conducted on the sexual health needs and risk behaviors of queer womxn and trans men, making it difficult to identify specific health needs and disparities. This is especially the case in the Global South, where their needs are poorly understood. This study presents findings on demographics, sources of information, sexual (risk) behaviors, and substance use in Kenyan queer womxn and trans men. METHODS: An online survey among 335 Kenyan queer womxn and trans men was used to collect data on sexual health, risk behavior, health information sources, and substance use. The participants needed to have had at least one self-identified female sexual partner. RESULTS: The sample presented young, highly-educated queer womxn and trans men. A high incidence of childhood sexual trauma found was found. Risk behaviors included sexual activities with partners of multiple genders, violence, and low use of barrier methods. One in three participants had been treated for an STD in the previous year. The incidences of smoking and drinking were high, and a quarter of participants indicated having taken drugs at least once a month or more. The internet was either the first or second most important source of sexual health information for 44.1% of the participants, followed by schools (30.9%). DISCUSSION AND CONCLUSION: Our findings indicate that queer womxn and trans men are at risk of negative sexual health outcomes due to a lack of appropriate information, risk behavior, substance use, and low uptake of sexual health services. Kenya's Penal Code still criminalizes consensual same-sex activities and may play a role in perpetuating barriers that prohibit them from making healthier choices. Developing tailored programming and policies require local, national, and global stakeholders to engage with the inclusion of queer womxn and trans men's sexual health needs within strategic planning and healthcare delivery.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».