Putting the Pieces Together: How Public Health Nurses in Rural and Remote Canadian Communities Respond to Intimate Partner Violence
Notice bibliographique
Résumé
Intimate partner violence is a recognized public health problem with direct impacts, including cuts, bruises, and broken bones as well as longer-term effects, including headaches, insomnia, depression, anxiety, substance abuse, and a greater likelihood of developing Post-Traumatic Stress Disorder (PTSD) (Dutton, et al., 2006; Loxton, Scholfield, Hussain, & Mishra, 2006; Plichta, 2004; Romito, Molzan Turan, & Muarchi, 2005). As a result, women who experience IPV use a variety of health care services, including emergency departments, primary care physicians, and public health nurses (Campbell, 2002; Plichta, 2004; Van Hook, 2000).Although rates of IPV identification vary by practice setting, the results suggest that utilization of these services by victims of IPV is common. For example, 13 percent of 1,526 women at 31 outpatient clinics were identified as victims of abuse (Wasson et al., 2000), as were 14 per cent of 2,465 women using a variety of obstetrician/gynecologist offices, emergency departments, primary care offices, pediatrics, and addition recovery (McCloskey, et al., 2005), and 44.3 percent of 399 women at one family medicine clinic (Peralta & Fleming, 2003). Given the prevalence of IPV in these settings, health care providers have a central role in dealing with immediate injuries and other health impacts of IPV. However, it is also crucial for these providers to appropriately identify and refer women to much needed community resources which may prevent further injury and support women in working toward reducing and eliminating violence in their lives. For victims of IPV who live in remote and rural communities, support offered by health care providers is more crucial, as there is often few other resources and services.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».