Knowledge, Adherence Mapping of Covid-19 Preventive Measures Among Adults in Southwest Nigeria: A Cross-Sectional Study
Notice bibliographique
Résumé
Background: COVID-19 preventive measures represent the largest public health interventions in human history. However, gap still exist in the knowledge and adherence towards the preventive measures of the disease. This study assessed the knowledge and adherence towards COVID-19 preventive measures among adults in selected communities of Ekiti state, Southwest Nigeria Methodology: This is a cross-sectional analytical study with multi-stage sampling technique. A pre-tested, structured questionnaire was used to collect data. Statistical Package for the Social Sciences version 23 and ArcGIS version 10.5 were used for data analysis and adherence mapping respectively. Level of statistical significance was set at p<0.05. Result: Majority, 593 (98.8%), knew the preventive measures of COVID-19 and more than three quarter demonstrated good knowledge, 460 (76.7%). Less than half, 269 (44.8%), had good adherence to the preventive measures of COVID-19. Age and higher educational status were found to be associated with knowledge while socio-economic status was associated with adherence (p<0.05). Marriage was found as a predictor of knowledge [(aOR=7.43 (0.85-65.01); p=0.038)] and female respondents were about twice likely than the males to have good adherence to preventive measures. [(aOR=1.78 (1.17-2.69); p=0.007)]. The rich respondents were three times more likely to adhere to preventive measures of COVID-19 [(aOR=3.15 (1.51-6.55); p=0.002)]. Conclusion: The knowledge of COVID-19 preventive measures was high, but adherence to it was poor. The government and other relevant stakeholders in the State need to institute various interventions like health awareness campaign to increase adherence to the preventive measures.
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 | 0,004 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 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 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 ».