Psychosocial Influences on Patient Presentations: Considerations for Research and Evaluation at Mass-Gathering Events
Notice bibliographique
Résumé
AIM: This review discusses the need for consistency in mass-gathering research and evaluation from a psychosocial perspective. BACKGROUND: Mass gatherings occur frequently throughout the world. Having an understanding of the complexities of mass gatherings is important to determine required health resources. Factors within the environmental, psychosocial, and biomedical domains influence the usage of health services at mass gatherings. A standardized approach to data collection is important to identify a consistent reporting standard for the psychosocial domain. METHOD: This research used an integrative literature review design. Manuscripts were collected using keyword searches from databases and journal content pages from 2003 through 2018. Data were analyzed and categorized using the existing minimum data set as a framework. RESULTS: In total, 31 manuscripts met the inclusion criteria. The main variables identified were use of alcohol or drugs, crowd behavior, crowd mood, rationale, and length of stay. CONCLUSION: Upon interrogating the literature, the authors have determined that the variables fall under the categories of alcohol or drugs; maladaptive and adaptive behaviors; crowd behavior, crowd culture, and crowd mood; reason for attending event (motivation); duration; and crowd demographics. In collecting psychosocial data from mass gatherings, an agreed-upon set of variables that can be used to collect de-identified psychosocial variables for the purpose of making comparisons across societies for mass-gathering events (MGEs) would be invaluable to researchers and event clinicians.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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) | 0,000 | 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 ».