MétaCan
Menu
Retour à la cohorte

Alcoholismo y Prevalencia de Violencia en Mujeres de Latinoamérica: Metaanálisis

2023· article· es· W4389913686 sur OpenAlexaboutno aff
Nube Johanna Pacurucu Ávila, Tatiana Guevara, María del Carmen López Pesantez, Viviana Rocio Tuba Cornejo, Paola Vera-León

Notice bibliographique

RevueFACSALUD-UNEMI · 2023
Typearticle
Languees
DomaineEnvironmental Science
ThématiquePublic Health and Environmental Issues
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésHumanitiesPolitical scienceArt

Résumé

récupéré en direct d'OpenAlex

La violencia contra la mujer es reconocida como un problema mental y de salud a nivel mundial, pero es un fenómeno creciente en los países en vías de desarrollo, donde los hombres perpetran la violencia contra la mujer. La violencia mental, física, social y económica tienen un gran impacto en la salud, logrando así el objetivo de sensibilizar a los bebedores de alcohol y el potencial de violencia y actividad física entre las mujeres de América Latina. Se realizó una revisión y análisis sistemático de estudios epidemiológicos disponibles en Lilacs, Embase, Medline, Scielo, Scopus, Redalyc, Google Académico, Science Direct. Esto incluyó estudios que seleccionaron aleatoriamente muestras de grupos de mujeres entre las edades de 15 y 60 años. Tres investigadores examinaron y analizaron los artículos de forma independiente. Se realizó un metaanálisis aleatorizado para calcular el total. Los artículos se evaluaron utilizando la escala de Newcastle-Ottawa para evaluar la gravedad de las lesiones. Se analizaron 988 artículos, 13 de los cuales fueron incluidos en la literatura popular. El metaanálisis mostró que la prevalencia general de violencia física relacionada con el alcohol entre mujeres latinoamericanas fue de 34,0% (IC 95%: 25,0% - 43,0%; I2 = 93,97%). Como análisis principal se encontró una menor prevalencia en países como Brasil con un valor de 29,0%, y también observamos una mayor prevalencia en el país de Perú con un valor de 42,0%. El manuscrito del estudio no presentaba un alto riesgo de sesgo.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,012
score de la tête « metaresearch » (Gemma)0,029
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Méta-analyse · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,018
Score d'incertitude au seuil0,063

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0120,029
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0050,020
Bibliométrie0,0090,011
Études des sciences et des technologies0,0010,001
Communication savante0,0040,002
Science ouverte0,0020,002
Intégrité de la recherche0,0020,002
Charge utile insuffisante (le modèle a refusé de juger)0,0050,000

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.

Tête enseignante Opus0,017
Tête enseignante GPT0,301
Écart entre enseignants0,284 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeMéta-analyse
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueFACSALUD-UNEMIMême sujetPublic Health and Environmental IssuesTravaux en français237 207