Prévalence et facteurs explicatifs des grossesses non planifiées chez les adolescentes au Bénin
Bibliographic record
Abstract
Les grossesses non planifiées chez les adolescentes ont des impacts non négligeables sur leur santé reproductive.Cette étude vise à déterminer la prévalence des grossesses non planifiées et leurs facteurs explicatifs chez les adolescentes.La population d'étude est composée des adolescentes âgées de 15 à 19 ans.Les données sont celles collectées dans le cadre d'une enquête quantitative réalisée en mai 2019 dans les douze départements du Bénin.Des méthodes d'analyse descriptive, bi variée et une régression logistique ont été mises à profit.Sur dix adolescentes, six (57,3 %) étaient âgées de 18 à 19 ans et quatre d'entre elles (38,9 %) avaient atteint le premier cycle du cours secondaire.La prévalence des grossesses non planifiées est de 80,1 % (n=270).Les fréquences des premières grossesses non planifiées sont plus élevées chez: i) les adolescentes ayant atteint le second cycle du secondaire ou plus (85,7 % ; p=0,027), ii) celles qui ont passé leur période de socialisation dans les grandes villes (88,5 % ; p=0,018) et celles dont les besoins financiers n'étaient pas totalement satisfaits (84,8 % ; p=0,014).Le principal facteur explicatif identifié est la satisfaction des besoins financiers chez les adolescentes.En effet, les adolescentes dont les besoins financiers ne sont pas satisfaits sont 1,7 fois (p=0,041) plus susceptibles d'avoir une première grossesse non planifié par rapport aux autres.
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 machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.000 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.001 | 0.000 |
| Open science | 0.000 | 0.000 |
| Research integrity | 0.000 | 0.000 |
| Insufficient payload (model declined to judge) | 0.002 | 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 source (direct Gemma or distilled Codex), 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".