Prioritization of factors related to mental health of women during an earthquake: A qualitative study
Notice bibliographique
Résumé
BACKGROUND: According to the fact that women account for the highest rate of victims of mental health loss during disasters, prioritization of their requirements is of remarkable significance. Therefore, the present study was carried out with the aim to prioritize factors related to women's mental health during an earthquake. METHODS: This study was conducted using the Delphi method in 2017. Participants consisted of experts including psychologists, counselors and psychiatrists, social medicine specialists, and psychiatric-mental health nurses with experience in service and disaster awareness, especially earthquake. They were selected using purposive and snowball sampling methods. The Delphi method was used in 2 rounds with 21 components and the final attendance of 19 participants and the collective agreement of 75%. RESULTS: Of the 21 factors related to women's mental health during the earthquake, the following components were, respectively, preferred by the participants: psychological well-being training, group relationships and support of women in emergency situations, fair treatment in the provision of rights and services to women, crisis awareness and management of behavior and difficult conditions, and social security during disasters with the total mean standard deviation (SD) of 13.4 (2.4), 13.0 (2.4), 12.7 (2.5), 12.5 (2.4), and 12.3 (2.2), respectively. CONCLUSION: Training in the field of psychology and disasters, and social and cultural factors were prioritized among factors related to women's mental health during an earthquake. Therefore, the results of this study can be applied by the planners and executives of mental health, women and disasters, and the women's community itself.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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) | 0,012 | 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 ».