6-6 - Modélisation des tendances spatio-temporelles de santé reproductive, maternelle, néonatale et infantile, Mali
Bibliographic record
Abstract
Le Mali est confronté à des défis socio-politiques qui entravent les collectes de données nécessaires pour informer ses programmes et politiques en matière de santé reproductive, maternelle, néonatale et infantile (SRMNI). Les nouvelles approches statistiques qui exploitent les données existantes afin de générer des estimations granulaires et précises représentent une importante opportunité. L'objectif de notre étude est d'utiliser la modélisation géostatistique bayésienne pour estimer des indicateurs clés de SRMNI à de fines résolutions spatiales entre 2000 et 2018. Nous utilisons les données géocodées des Enquêtes démographiques et de santé, réalisées entre 2000 et 2018. Nos indicateurs d'intérêt sont la contraception moderne, les soins prénatals et postnatals, l'accouchement assisté, et la vaccination infantile. Des modèles linéaires généralisés sont utilisés pour identifier les prédicteurs géospatiaux associés aux indicateurs de SRMNI. Des modèles géostatistiques bayésiens sont construits à l'aide des facteurs géospatiaux prédictifs afin d'estimer les probabilités des indicateurs de SRMNI. Des cartes spatiales avec une résolution de pixel de 5 × 5 km sont produites à l'aide des résultats finaux des modèles géo- statistiques. Nous générons aussi des cartes avec les probabilités agrégées à l’échelle des unités décisionnelles infrarégionales. Les analyses des données sont en cours. Les résultats préliminaires montrent la présence d'une hétérogénéité sur l'espace et le temps pour tous les indicateurs de SRMNI. Les cartes spatiales produites à l'aide de la modélisation géostatistique permettront de mieux quantifier et étudier cette variabilité spatio-temporelle. Les résultats complets seront disponibles au printemps 2024. Une meilleure compréhension de la variabilité spatiale en matière de SRMNI et son évolution est essentielle pour une meilleure capitalisation des ressources pour la santé, en particulier dans un contexte comme le Mali qui fait face à des priorités concurrentes et des défis socio-politiques.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.008 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.000 |
| Bibliometrics | 0.000 | 0.000 |
| Science and technology studies | 0.000 | 0.000 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.000 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one teacher head, not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".