Shadows of Inequality: Exploring the Prevalence and Factors of Discrimination and Harassment in Nigeria
Notice bibliographique
Résumé
Discrimination and harassment (DH) against women are topics of broad concern to gender equality advocates. This study aimed to investigate the prevalence of DH against women in Nigeria, based on seven specific forms of DH captured in the 2021 Nigeria Multiple Indicator Cluster Survey (MICS), and to identify key socio-demographic factors associated with an aggregated DH outcome variable. Drawing upon data from 38,806 women aged 15–49, we used descriptive statistics to summarize the prevalence of DH across seven reasons and the socio-demographic characteristics of respondents, followed by chi-square analysis to test bivariate associations and binary logistic regression to identify predictors. Results showed that the prevalence of DH against Nigerian women (18.9%) was significantly associated with socio-demographic factors such as age, education level, wealth index, marital status, and ethnicity. At the individual level, women who felt very unhappy had higher odds of experiencing DH (OR = 3.101, 95% CI: 2.393–4.018, p < 0.001) compared to those who felt very happy. In contrast, women with higher/tertiary education (OR = 0.686, 95% CI: 0.560–0.842, p < 0.001) were 31.4% less likely to face DH than those with no education. Regionally, respondents living in Zamfara (OR = 5.045, 95% CI: 3.072–8.288, p < 0.001) were over five times more likely to experience DH than those in Kano state. The findings underscore the need for policy interventions and support systems to address DH against women in Nigeria.
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 | 0,001 | 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 ».