Applying Mobile Technology to Address Gender-Based Violence in Rural Nigeria: Experiences and Perceptions of Users and Stakeholders
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
This paper documents the results of an intervention conducted in Nigeria to test the effectiveness of a mobile phone technology, text4life, in enabling women to self-report gender-based violence (GBV). Women experiencing GBV and other challenges related to sexual and reproductive health and rights were requested to use their mobile phones to text a code to a central server. In turn, the server relayed the messages to trained nearby health providers and civil society organization (CSO) officials who reached out to provide health care and social management services to the callers. Interviews were conducted with some callers, health care providers, and CSO staff to explore their experiences with the device. The interviews and data from the server were analyzed qualitatively and quantitatively. The results indicate that over a 27-month period, 3,403 reports were received by the server, 34.9% of which were reporting GBV. While interviewees perceived that a large proportion of the women were satisfied with the use of text4life, and many received medical treatment and psychological care, the consensus opinion was that many women reporting GBV did not wish to pursue police or legal action. This was due to women’s perceptions that there would be negative cultural and social backlash should they pursue civil punishments for their partners. We conclude that a mobile phone device can be used effectively to report GBV in low-resource settings. However, the device would be more useful if it contributes to equitable primary prevention of GBV, rather than secondary prevention measures.
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 | 0,001 | 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 | 0,000 | 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