MétaCan
Menu
Retour à la cohorte
Enregistrement W2790696120 · doi:10.1177/1363459318763865

“I tend to forget bad things”: Immigrant and refugee young men’s narratives of distress

2018· article· en· W2790696120 sur OpenAlexafffundabout
Carla Hilario, John L. Oliffe, Josephine Pui‐Hing Wong, Annette J. Browne, Joy L. Johnson

Notice bibliographique

RevueHealth An Interdisciplinary Journal for the Social Study of Health Illness and Medicine · 2018
Typearticle
Langueen
DomainePsychology
ThématiqueMigration, Health and Trauma
Établissements canadiensSimon Fraser UniversityToronto Metropolitan UniversityUniversity of British Columbia
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésDistressRefugeeNarrativeImmigrationMental healthNarrative inquiryPsychologyGender studiesNorm (philosophy)SociologyDevelopmental psychologyClinical psychologyPsychiatryPolitical science

Résumé

récupéré en direct d'OpenAlex

Distress among young immigrant and refugee men has drawn increasing research attention in recent years. Nuanced understandings of distress are needed to inform mental health and public health programming. The purpose of this research was to examine distress from the perspectives of young immigrant and refugee men living in Greater Vancouver, British Columbia, Canada. Thirty-three young men (aged 15-22 years) from diverse immigrant and refugee backgrounds participated in interviews, which were conducted between 2014 and 2015. Data were examined using narrative analysis and theories of masculinities. Three narratives were identified-norming distress, acknowledging distress as ongoing, and situating distress. The findings reveal that the narratives offer different frames through which distress was rendered a norm, or acknowledged and situated in relation to the participants' relationships and to masculine discourses that shaped their expressions of distress. The findings can inform initiatives aimed at providing spaces for diverse young men to acknowledge their distress and to receive support for mental health challenges.

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 machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,005
score de la tête « metaresearch » (Gemma)0,007
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,100
Score d'incertitude au seuil0,199

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,007
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0120,010
Communication savante0,0050,003
Science ouverte0,0010,007
Intégrité de la recherche0,0020,003
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,041
Tête enseignante GPT0,454
Écart entre enseignants0,413 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2018
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueHealth An Interdisciplinary Journal for the Social Study of Health Illness and MedicineMême sujetMigration, Health and TraumaTravaux en français237 207