Predictors of physical violence against children in Rwanda: findings from a National Cross-Sectional Survey
Notice bibliographique
Résumé
BACKGROUND: To address the challenges of limited national data on the prevalence and nature of violence experienced by children, Rwanda conducted, in 2015-2016, the first National Survey on Violence among female and male children and youth aged 13-24 years. To further contribute to these efforts to fill existing data gaps, we used the Rwanda survey data to assess the prevalence and predictors of physical violence (PV) in children aged 13-17. METHODS: A nationally representative sample of 618 male and 492 female children were analysed. Nationally representative weighted descriptive statistics were used to analyse the prevalence of PV self-reported by children, and logistic regression models were applied to investigate its predictors. RESULTS: Sixty percent of all children, including 36.53% of male and 23.38% of female children, reported having experienced any form of PV in their lifetime. Additionally, 21.81% of male children and 12.73% of female children reported experiences of PV within twelve months before the survey date. Older children (OR: 0.53 [0.40-0.72]), female children (OR: 0.43 [0.31-0.58]), and children not attending school (OR: 0.48 [0.31-0.73]) were less likely to be physically abused. However, sexually active children (OR: 1.66 [1.05-2.63]), children in households from the middle wealth quintile (OR: 1.63 [1.08-2.47]), children living in a larger family (OR: 1.55 [1.07-2.26]), and children who reported not feel close to both biological parents (OR: 2.14 [1.31-3.49]) had increased odds of reporting physical violence. CONCLUSION: Higher rates of PV in children attending school were the key finding. There is an urgent need to design and implement particular national interventions to prevent and reduce the incidence of PV in schools in Rwanda. PV was also associated with poor parent-child relations. Parents and other adult caregivers should be sensitised to the consequences of PV on children and be urged to adopt positive parenting practices.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 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; 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 ».