The Nature and Extent of Recurring Intimate Partner Violence Against Women in the United States
Notice bibliographique
Résumé
Physicians play a key part in society’s response to violence against women. Their professional role affords them the opportunity to talk privately with women, identify victims of abuse, and offer support. However physicians’ own history of victimization may undermine their ability to assist battered women. We used an anonymous, selfreport survey to describe the violence history of students enrolled at a medical school, and explore the relationship between students’ violence history, current well being, help seeking, and expected future impact on education and clinical care of patients. Valid surveys were returned by 472 of 810 students. 53% reported experiencing one or more forms of severe violence (30% reported severe child physical abuse; 6% child sexual abuse by a family member; 13% child sexual abuse by a non-family member; 22% severe partner violence; 7% adult sexual assault). Participants with a history of severe violence were more likely to report feeling downhearted and blue. Some participants with a severe violence history reported that these experiences would interfere with their ability to feel good about themselves (32%), develop relationships (38%), work effectively (11%), participate in courses dealing with violence and abuse (15%), and assist patients with experiences similar to their own (18%). Women students experienced more severe physical and sexual violence, and expected more future difficulties in their personal and work life. Results are discussed in the context of the history of gender discrimination in medicine, and the need for new methods for training physicians to identify and assist victims of partner violence.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».