Improving Cultural Knowledge to Facilitate Cultural Adaptation of Pain Management in a Culturally and Linguistically Diverse Community
Notice bibliographique
Résumé
Purpose: Health care disparities exist for people from culturally and linguistically diverse (CALD) communities. Addressing the cultural competence of health care providers could limit these disparities. The aim of this study was to improve cultural knowledge of and humility regarding pain in a CALD community. Method: This interpretive description qualitative study used focus group discussions (FGDs) to generate ideas about how South Asian culture could influence how health care providers manage pain. A total of 14 people with pain and of South Asian background (6 women and 8 men, aged 28–70 y) participated. Two investigators independently analyzed the data. This process involved repeatedly reading the transcripts, then manually sorting the key messages into categories. The investigators compared their categorizations and resolved differences through discussion. Next, similar categories and concepts were grouped into ideas (potential themes). These ideas, along with supporting categories and verbatim quotes, were presented to the full research team for feedback. After compiling the feedback, the ideas formed the thematic representation of the data. Results: The data from the FGDs revealed how pain management could be culturally adapted. The FGDs generated four themes about South Asian cultural perspectives that could influence the pain management experience for people living with pain: (1) cultural and linguistic impediments to communication, (2) understanding of pain in terms of the extent to which it interferes with function and work, (3) nurturing or personal attention as a marker of good care, and (4) value attributed to traditional ideas of illness and treatment. Conclusion: This study demonstrates how engaging with CALD people living with pain can lead to improved cultural knowledge and humility that can form the basis for adapting pain management. Through this process, it is more likely that a meaningful and client-centred pain management plan can be developed.
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 | 0,026 | 0,028 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,007 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,002 | 0,012 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».