Conducting high-frequency data collection in low-resource settings: Lessons from a financial diary study among women engaged in sex work in Uganda
Notice bibliographique
Résumé
Poverty and economic insecurity are driving forces in entering sex work among women in low resource areas. This increases their risk for HIV by influencing the decision-making process for high-risk behaviors. Few studies examine financial behaviors and capacities of women engaged in sex work (WESW). This paper describes the methodology used in a financial diary study aimed at characterizing women's spending patterns within a larger prevention intervention trial among WESW in Uganda. From June 2019 to March 2020, a subsample of 150 women randomized to the combination HIV prevention and economic empowerment treatment were asked to complete financial diaries to monitor daily expenditures in real time. Two hundred forty financial diaries were distributed to study participants during the financial literacy sessions at 8 sites. A total of 26,919 expense entries were recorded over 6 months. Sex work related expenses comprised approximately 20.01% of the total. The process of obtaining quality and consistent data was challenging due to the transient and stigmatized nature of sex work coupled with women's varying levels of education. Frequent check-ins, using peer support, code word or visuals, and a shorter timeframe would allow for a more accurate collection of high frequency data. Moreover, the ability of women to complete the financial diaries despite numerous challenges speaks to their potential value as a data collection tool, and also as an organizing tool for finances.
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 | 0,011 | 0,000 |
| 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 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».