Characterization of Violence Against Reproductive-age Women in Southwest Nigeria
Notice bibliographique
Résumé
Background: Violence against women has been reported to be high across Nigeria. However, there are no specific data on this issue across individual states in southwestern Nigeria and their correlations. This study aimed to characterize the types, prevalence, and correlates of violence against reproductive-age women in the southwestern Nigeria states, thereby establishing an inter-state comparison that could stimulate a community-based intervention.Methods: This cross-sectional study was a secondary data analysis of the population-based 2018 Nigerian Demographic and Health Survey (NDHS) data. The NDHS collected data from 14th August to 29th December 2018 through a stratified three-stage cluster sample design using a sampling frame containing the list of enumeration areas prepared for 2006. Responses from 1516 women aged 15-49 were analyzed by descriptive and inferential statistics in SPSS version 25.Results: The overall percentage of intimate partner violence (IPV) was 22% (95% CI=19.9%-24.2%) and 17% (14.7%-18.5%) for non-IPV. Oyo State had the least percentage of IPV (11%) while Lagos State had the highest (25%). Women from Ogun State had a statistically significant risk of non-IPV, such that 47% of people with non-IPV came from the state (P=0.001). The odds of IPV among women with secondary education (OR=1.78, CI=1.25-2.55; P=0.002) was more than that of women with primary education (OR=1.68, CI=1.10-2.56; P 0.016). Alcohol consumption and husband’s controlling behavior were the most important predictors of IPV across the states (P<0.001). Only 3% of the respondents reported being sexually hurt by non-partners.Conclusion: Violence against reproductive-age women is very concerning. The current rate needs attention to reduce the ensuing risk of unintended pregnancies, suicides/self-harm, drug abuse, depression, and miscarriage. All of these will negatively impact the population’s health outcome. A community-based intervention using a socioecological model of behavioural changes is recommended.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».