Violence and Mental Health Among Gender-Diverse Individuals Enrolled in a Human Immunodeficiency Virus Program in Karnataka, South India
Notice bibliographique
Résumé
Abstract Purpose: Gender-diverse individuals in India face considerable discrimination, stigma, and violence. There is a dearth of published literature describing experiences of violence among this population and potential links to mental health. Methods: A questionnaire was administered to 282 study participants, 18 years of age and older, who self-identified as hijra, kothi, double decker, or bisexual and were actively enrolled in a local HIV prevention program in Bangalore, India in 2012. Responses were used to calculate a composite depression/anxiety score. Associations between sociodemographic characteristics and experiences of physical and sexual violence in the previous six months were tested and differences in depression/anxiety score based on experiences of violence were explored. Results: Recent physical violence was common among study participants and was reported among 46% of nirvan (emasculated) hijras (transgender), 42% of akwa (not emasculated) hijras, and 25% of kothis (feminine acting males). Rape in the previous year was particularly common among akwa hijras (39%). Factors associated with being raped included younger age, less education, and employment in basti (blessings), sex work, chela (disciple of hijra guru), or at a community-based organization. Kothis had the highest depression/anxiety score. No significant difference in depression/anxiety score based on recent history of physical violence or rape was found. Conclusions: Physical violence and poor mental health are common among gender-diverse individuals in Bangalore, Karnataka. There is a need for services that cater to the unique mental health needs of gender-diverse individuals in India, following rights-based approaches that address the underlying roots of oppression they encounter.
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 | 0,000 | 0,001 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».