Community perceptions about causes of suicide among young men in Botswana: an analysis based on fuzzy cognitive maps
Notice bibliographique
Résumé
Suicide is common in Botswana, particularly among young men. Fuzzy cognitive mapping (FCM) can support participatory research by depicting local stakeholder knowledge about causes of health outcomes. This study used FCM to explore local perceptions about causes of suicide among young men in rural communities close to the capital, Gaborone. In nine sessions, groups of young men, young women, older men, and older women separately mapped their knowledge of factors related to suicide among young men (46 people in total). Two trained facilitators, fluent in the local language, led the group sessions. The maps depicted risk and protective factors as nodes connected by arrows to show causal relationships. Participants also ranked the strength of each link on a scale of one (weakest) to five (strongest). Fuzzy transitive closure calculated the maximum influence of each factor, taking into account all other influences on the map. We combined maps by different stakeholders and grouped the 130 unique factors across the maps into 17 broader categories which emerged from an inductive thematic analysis of all the node labels. Financial difficulties, relationship problems, and family issues were the strongest categories of perceived causes of suicide by young men. Mental health problems played an intermediary role between more distal causes and suicide. There were differences in maps of different gender and age groups, but the strongest influences were consistent across groups. Young women, but not young men, identified men’s lack of self-esteem as a strong cause of suicide. The FCM findings offer a starting point for community discussions to seek local solutions to youth suicide.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».