Multi-level analysis of access to drinking water in rural communes in the south of the Kaffrine region, Senegal
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract In Senegal, there are disparities in access to drinking water at several levels. There are major differences between urban and rural areas. In rural areas, poverty, the abundance or scarcity of water infrastructure, and the distance between the place of residence and the place of supply are, to some extent, factors in the disparity in rates of access to drinking water from one village to another and, within the same village, from one household to another. Determining the sources of variance between villages and households regarding access to drinking water is based on the identification of several explanatory variables, both at the aggregate level (village level) and at the individual level (household level). Multilevel analysis has shown that differences in household access to drinking water are due to several factors that can be grouped into two categories: contextual variables that vary from one village to another, and individual characteristics that differ from one household to another. The aim of this article is to analyze the factors that explain the disparity in access to drinking water in rural communes in the south of the Kaffrine region. The usefulness of multilevel analysis lies in its ability to solidify causal inference in the associations between the infrastructural levels of villages, in terms of water facilities, and their impact on the level of access to drinking water of rural households as reported (Bringe and Golaz in Manuel pratique d’analyse multiniveau, Ined Éditions, Aubervilliers, 2017), as reported (Diane et al., in Analyse multiniveau pour expliquer la prévalence d’impacts sanitaires néfastes autorapportés et l’adaptation lorsqu’il fait très chaud et humide en été dans les secteurs les plus défavorisés des neuf villes les plus populeuses du Québec en 2011, 2015).
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 découle