Urban-rural disparities in wife-beating attitude among married women: a decomposition analysis from the 2017 Senegal Continuous Demographic and Health Survey
Notice bibliographique
Résumé
Abstract Background Globally, intimate partner violence is one of the most common forms of gender-based violence, and wife beating is one component of intimate partner violence, with the problem being more severe among women living in rural settings. Little is known about the factors that explain the urban-rural disparity in the prevalence of wife beating attitude in Senegal. In this paper, we aimed to decompose the urban-rural disparities in factors associated with wife beating attitude among married women in Senegal. Methods Data were derived from the 2017 Senegal Continuous Demographic and Health Survey. We used the Blinder-Oaxaca decomposition method to decompose and explain the variation in the prevalence of disagreement to wife beating between urban and rural areas in Senegal. Results The results show that 48.9% of married women in Senegal disagreed with wife-beating. About 69% of urban women disagreed with wife beating, but only 36% of rural women disagreed with wife beating. About 68.7% of women in the sample reported that they disagreed to wife beating by their husbands for burning food and nearly 50% of women reported that they disagreed with wife beating when they refuse to have sex with their husbands. About 86% of the urban-rural disparities in disagreement with wife beating are explained in this study. Economic status (45.2%), subnational region (22.4%), women's educational status (13.3%), and husband's educational status (10.7%) accounted for 91.6% of the disparities. Conclusions The study shows urban-rural disparities in the prevalence of wife-beating attitude (disagreement with wife beating) and this disfavored rural residents. We suggest the need for the government of Senegal to consider pro-rural equity strategies to narrow down the observed disparities. Moreover, socioeconomic empowerment and attitudinal changing interventions using existing socio-cultural institutions as platforms can be used to deliver such interventions.
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 | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,002 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».