Help seeking for intimate partner violence in a resource-constrained setting: A latent class analysis of the Nigerian demographic health survey dataset
Notice bibliographique
Résumé
Help seeking for intimate partner violence (IPV) is a complex process that involves reaching out to an external party. Women in resource constrained settings face unique constraints when seeking help for IPV but the latent classes of their help seeking behaviour in IPV has not been described. We therefore conducted a latent class analysis of help seeking behaviour among women experiencing IPV in Nigeria using the nationally representative 2018 Nigeria Demographic Health Survey (DHS) data. Nigeria was selected as an example of a resource constrained setting because close to half of its population is multidimensionally poor with significant financial and service barriers. Help seeking was defined by the latent class indicators of the places where or people from whom women sought help. The data were analysed in MPlus version 8.10 and survey sampling weights were applied. The relative fit of the models was compared using Bayesian Information Criterion (BIC), Adjusted BIC (ABIC), Lo-Mendell-Rubin Likelihood Ratio Test (LMR) p-values, and entropy values. Of the 3,054 women who experienced physical or sexual violence, 1,041 (33%) women reported seeking for help and a four-class model of help seeking behaviour (BIC = 3910.80, ABIC = 3837.70, LMR p-value = 0.0002, and entropy value = 0.92) was described: Class I (Own Family; 49%), Class II (Everywhere; 18%), Class III (Predominantly Formal; 5%), and Class IV (Predominantly Partner's Family; 28%). Women evinced a high reliance on informal sources for help. However, women with a history of sexual violence were most likely to access formal sources of help. Interventions for IPV have focussed on formal services but in resource constrained settings, the focus needs to be redirected to interventions for empowering informal sources of help (family, friends and neighbours) without neglecting formal systems.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».