Lessons learned from a sexual and reproductive health and rights peer education program to prevent adolescent pregnancies in high schools in Rwanda.
Notice bibliographique
Résumé
Adolescent pregnancies that occur in schools remain a major public concern in Rwanda. Sexual and Reproductive Health and Rights (SRHR) school based programs are less effective and discussing sexual health with adolescents is considered as taboo in Rwandan societies. Yet, adolescents still seek information about SRHR from their peers and research shows that peers are often incorrectly informed about SRHR topics. One of the effective strategies to reduce adolescent pregnancies in secondary schools is equipping adolescents with accurate and reliable knowledge. In 2019, we conducted our first network event with different stakeholders. The stakeholders included: school directors, head teachers, biology teachers, local political delegates, religious people among others to help gain insights into SRHR. A survey was conducted and administered to in-school adolescents in Kirehe district (S3 - S6 level, n=563) with the aim of examining adolescents' level of knowledge and attitudes regarding SRHR. In addition, six focus group discussions (FGDs) were conducted to obtain a deeper understanding of the SRHR needs and the possible contributions and content of a peer -to- peer education program (PEP). The lessons learned included: a) engaging parents in the network event and development of PEP; b) constant communication utilizing the different social media platforms, c) enhanced collaboration between the project implementers and stakeholders a facet of bottom-up approaches to expedite this project; and d) the project should have better anticipated on possible and unforeseen external barriers. Implementing a PEP in Kirehe secondary schools resulted in substantive changes such as positively transforming peer educators (PEs) and the elimination of teenage pregnancies in the selected schools. Overall, the number of PEs was not adequate to cover the number of students and anti-bullying training should have been provided to all students before the project implementation.
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 | 0,005 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».