Exploring harm reduction among Canadian Veterans experiencing homelessness
Notice bibliographique
Résumé
Introduction: In Canada, Veteran homelessness is an increasing concern. It is estimated that approximately 2,950 Veterans experienced homelessness in 2016. Some may also have substance use disorders, which has been linked to loss of housing and homelessness many years after exiting military service. A strategy that facilitates housing stability and reduces the harms of substance use is harm reduction. This study explored how Veterans who have experienced homelessness perceive and experience harm reduction. Methods: This study was a secondary analysis of data collected from the Canadian Model for Housing and Support of Veterans Experiencing Homelessness study that evaluated a Veteran-specific housing model in four Canadian cities. In the primary study, 78 participants received housing and related programming intervention. Focus groups with Veterans occurred at each of the four housing sites from 2012 to 2014. Across all sites, 24 Veterans attended both the 2012 and 2013 focus groups. A total of 39 Veterans attended the final focus groups in 2014. The authors conducted a thematic analysis of Veteran focus group data where data were extracted from transcripts and organized into themes. Results: Various themes emerged from the data including (1) regimented structure, (2) understanding both worlds, (3) congruent recovery journeys, (4) location close enough to services, far enough from harm, and (5) harm reduction is housing stability and housing stability is harm reduction. These themes represent the interface between military culture and homeless culture. Overall, Veterans considered harm reduction as an essential component of housing. Discussion: This study has shown that harm reduction may be part of the solution to ending Veteran homelessness in Canada. The findings of this study may inform how Veteran housing and substance use needs are addressed. Additional research is needed to explore further how harm reduction can be effectively incorporated into Housing First for Veterans.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,017 | 0,004 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 source (Gemma direct ou Codex distillé), 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 ».