Unequal access in a digital age: women's digital exclusion and socioeconomic inequalities in Vietnam
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
Introduction: Access to information and communication technologies (ICTs) and the skills to use them are essential for inclusive development and digital participation. As Vietnam accelerates its digital transformation, ensuring that women are not left behind is critical to achieving the Sustainable Development Goals (SDGs), particularly SDG 5 (Gender Equality) and SDG 9 (Industry, Innovation, and Infrastructure). This study investigates the extent and socioeconomic patterning of digital exclusion among women in Vietnam. Methods: We utilized nationally representative data from the 2021 Multiple Indicator Cluster Survey (MICS), which covered 10,770 women aged 15-49. Digital exclusion was defined in terms of (1) no ICT access (no use of computer, internet, or mobile phone in the past 3 months) and (2) no ICT skills (unable to perform any of nine standard digital tasks). Results: Results show that 4.28% of women lacked digital access and 72.85% lacked digital skills. Inequalities were stark: access was lowest among ethnic minorities (19.55%) and the poorest quintile (17.10%), compared to 1.980.31% in the majority and richest groups. The digital skills gap was even wider, with 95.51% of the poorest women lacking ICT skills vs. 41.23% of the richest. Multivariable logistic regressions confirmed that ethnicity, wealth, rural residence, and older age were key predictors of exclusion. Conclusion: These findings underscore the urgent need for inclusive digital policies that extend beyond infrastructure to address gendered and socioeconomic barriers to digital literacy. Without targeted efforts, digital rollouts may widen existing inequalities and undermine SDG progress.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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