Scenes as Micro-Cultures: Examining Heterogeneity of HIV Risk Behavior Among Gay, Bisexual, and Other Men Who Have Sex with Men in Toronto, Canada
Notice bibliographique
Résumé
<p>Using latent class analysis (LCA), we examined patterns of participation in multiple scenes, how sexual risk practices vary by scene, and psychosocial factors associated with these patterns among 470 gay, bisexual, and other men who have sex with men (GBM) recruited from Toronto. We calculated posterior probability of being in a class from participation in nine separate scenes. We used <em>Entropy</em>, the Bayesian information criterion and the Lo–Mendel–Rubin likelihood ratio test to identify the best fit model. Fit indices suggested a four-class solution. Half (50%) of the GBM reported no or minimal participation in any scene, 28% reported participating in the dance club scene, 16% reported participating in the BDSM, bear, and leather scenes, and 6% reported participating in circuit, party and play, and sex party scenes. Compared to GBM who did not participate in scenes, GBM participating in the <em>BDSM</em>-<em>Bear</em>-<em>Leather</em> scene were more likely to be older, white, to report higher sexual self-esteem, and to engage in condomless anal sex; <em>Party and Play</em> scene members were more likely to be of Asian origin, and to use drugs before and during sex, whereas <em>Dance Club</em> scene members were more likely to be younger and to report lower self-esteem but higher hope. LCA allowed us to identify distinct social niches or micro-cultures and factors characterizing these micro-cultures. GBM differ in their risk for HIV and STIs according to characteristics associated with participation in distinct micro-cultures associated with scenes. Tailored interventions may be needed that focus on reducing HIV risk and promoting sexual health in specific contexts such as the <em>BDSM</em>-<em>Bear</em>-<em>Leather</em> and <em>Party and Play</em>.</p>
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».