The Predictive Model of the Fertility Pattern of Young Women (15-24 Years Old) In South Sulawesi, Indonesia
Notice bibliographique
Résumé
Teenagers that have given birth have a high chance of a total fertility rate and prevalence. The study aimed to analyze the contribution of demographic and socio-economic factors, access to information, sexual activity, and literacy on family planning on the fertility pattern of young women (15-24 years old). This research uses 2017 data from the Indonesian Demography and Health Survey (IDHS). Data analysis performed multiple logistic regression with a predictive model. The predictors of young female fertility (15-24 years old) were marital status (aOR: 373.9, 95%CI 112.7-1239.8), age of 19-21 years old (aOR: 7.74, 95%CI 2.19-27.32), age of 22-24 years old (aOR: 4.79, 95%CI 1.61-14.32), a low education level (aOR: 2.53, 95%CI 0.94-6.82), unemployed (aOR: 2.73, 95%CI 1.14-6.55) or working in agriculture (aOR: 1.16, 95%CI 0.19-6.87), and low (aOR: 1.79, 95%CI 0.73-4.41) or medium (aOR: 1.58, 95%CI 0.42-5.87) wealth index, based on SKDI's 2017 data. There needs to be an improvement in the education access to increase job opportunities and improve the socio-economic conditions of the community. This improvement will have positive impacts in preventing adolescent marriage and decreasing the fertility rate of young women
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 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 ».