Association between knowledge and use of contraceptive among women of reproductive age in sub‐Saharan Africa
Notice bibliographique
Résumé
Background and Aims: The use of contraceptives has been considered relevant in reducing unintended pregnancies in sub-Saharan Africa (SSA). However, despite evidence of knowledge of contraceptives, their use remains low in SSA. This study examined the association between knowledge of contraceptive methods and the use of contraceptives in SSA. Methods: Data for the study were extracted from the Demographic and Health Surveys of 21 countries in SSA spanning from 2015 to 2021. A weighted sample of 200,498 sexually active women of reproductive age were included in the final analysis. We presented the results on the utilization of contraceptives using percentages with their respective 95% confidence intervals (CI). We examined the association between knowledge of contraceptive methods and the use of contraceptives using multilevel binary logistic regression analysis. Results: Overall, 24.32% (95% CI: 24.15-24.50) of women in SSA used contraceptives. Chad had the lowest prevalence of contraceptive use (5.07%) while Zimbabwe had the highest prevalence (66.81%). The odds of using any method of contraception were significantly higher for women with medium [Adjusted odds ratio (AOR) = 1.89; 95% CI = 1.80-1.98] and high [AOR = 2.22; 95% CI = 2.10-2.33] knowledge of contraceptive methods compared to those with low knowledge, after adjusting for all covariates. Conclusion: Our study has shown that the use of contraceptives among women in SSA is low. Women's knowledge of any contraception method increases their likelihood of using contraceptives in SSA. To improve contraceptive use in SSA, targeted interventions and programmes should increase awareness creation and sensitization, which can improve women's knowledge on methods of contraception. Also, programmes implemented to address the low uptake of contraceptives should consider the factors identified in this study. In addition, specific subregional strategies could be implemented to narrow the subregional disparities.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».