Third Parties (Venue Owners, Managers, Security, etc.) and Access to Occupational Health and Safety Among Sex Workers in a Canadian Setting: 2010–2016
Notice bibliographique
Résumé
OBJECTIVE: To determine the impact of engagement with third parties (i.e., managers, receptionists, or owners of in-call venues; advertisers; security; spotters; and others) on sex workers' occupational health access. METHODS: We drew longitudinal data from An Evaluation of Sex Workers' Health Access, a community-based cohort of more than 900 women sex workers. We used multivariable logistic regression and generalized estimating equations to (1) examine factors correlated with accessing third-party administrative or security services and (2) evaluate the impact of third-party services on access to mobile condom distribution and sex worker and community-led services (2010-2016). Finally, we evaluated changes in accessing third-party services pre-post end-demand criminalization (2010-2017). RESULTS: Im/migrant sex workers (persons with any type of legal status who were born in another country; adjusted odds ratio [AOR] = 2.32; 95% confidence interval [CI] = 1.35, 3.98) had higher odds of accessing third-party services. In confounder models, third-party services were independently correlated with increased access to mobile condom distribution (AOR = 1.84; 95% CI = 1.47, 2.31) and sex worker and community-led services (AOR = 1.61; 95% CI = 1.15, 2.24). End-demand criminalization was linked to a decrease in access to third-party services (AOR = 0.79; 95% CI = 0.63, 0.99). CONCLUSIONS: This research suggests that access to administrative and security services from third parties increases sex workers' occupational health and safety. Policy reforms to ensure sex workers' labor rights, including access to hiring third parties, are recommended.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».