Understanding progress and challenges in women's health and wellbeing in exemplar countries: A time-series study identifying positive outliers
Notice bibliographique
Résumé
Background: Women's health and wellbeing (WHW) forms a multidimensional continuum across the life course, with intersecting power dynamics including socioeconomic and ethnic positioning. The WHW Exemplars project uses robust quantitative approaches to identify best-performing low-income and middle-income countries (LMICs) in improving WHW across the entire life course.Methods: Using the life course approach, we created a list of 32 cross-sectional indicators belonging to nine dimensions based on a conceptual framework to assess progress in WHW. Small population countries (people), high-income countries, and those among the top ten in the fragility index were excluded. We calculated the average annual rates of change (AARC; 2000-19) for each indicator, which were then standardised around the regional mean for comparability. The standardised values were aggregated into a final score for each country (the lower the score, the worse the country's performance). We assessed the performance of countries from a regression of the aggregated scores and the AARC of gross domestic product. We evaluated the performance of each country relative to regional peers across life course stages and dimensions based on data availability and improved performance.Findings: The final standardised score ranged from -11·0 in Costa Rica to 14·8 in Cambodia (measure of dispersion of the standarised score: 1·0 [SD 5·9]). Cambodia, Ethiopia, Peru, and Türkiye ranked highest in the life course and dimension assessment in their regions. After triangulation of results, the best-performing countries in WHW were Bangladesh, Cambodia, and India in south Asia and east Asia and the Pacific; Congo (Brazzaville), Ethiopia, Rwanda, and Sierra Leone in sub-Saharan Africa; Peru, Bolivia, and Colombia in Latin America and the Caribbean; and Morocco, Türkiye, Kazakhstan, and Azerbaijan in Europe and central Asia and the Middle East and north Africa.Interpretation: This study quantified the performance of WHW across the life course among LMICs over the past two decades and identified good performers that might be selected as exemplars. The study also highlights low data availability and quality relating to this topic
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 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».