MétaCan
Menu
Retour à la cohorte
Enregistrement W3118831439 · doi:10.1186/s12954-020-00453-5

Having a voice and saving lives: a qualitative survey on employment impacts of people with lived experience of drug use working in harm reduction

2021· article· en· W3118831439 sur OpenAlexafffundabout
Tamar Austin, Jade Boyd

Notice bibliographique

RevueHarm Reduction Journal · 2021
Typearticle
Langueen
DomaineMedicine
ThématiqueOpioid Use Disorder Treatment
Établissements canadiensSt. Paul's HospitalUniversity of British ColumbiaBritish Columbia Centre on Substance Use
Organismes subventionnairesCanadian Institutes of Health ResearchVancouver Foundation
Mots-clésHarm reductionHealth psychologyHarmSocial policyQualitative researchSocial workPublic relationsPsychologyPublic healthBusinessSocial psychologySociologyMedicineEconomic growthPolitical scienceNursingSocial scienceEconomicsLaw

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Ongoing legal and social discrimination, and stigmatization of people with lived experience of drug use (PWLE) continues to contribute to overdose-related deaths in Canada. The involvement of PWLE working in harm reduction services has proven effective in decreasing drug-related harms among PWLE; however, there exist unintended negative impacts. PWLE working in harm reduction services risk overextending themselves beyond employment parameters (e.g., emotional labor) with few systems in place (e.g., employment advocacy) for support. While meaningful participation of PWLE in harm reduction programs is critical to addressing the overdose crisis, their labor in Canada's overdose response commands further investigation and recognition. This paper examines some of the benefits and negative aspects of working in harm reduction among PWLE. METHODS: Fifty qualitative surveys were completed by PWLE working in harm reduction services from across Canada at the National 2018 Stimulus conference held in Edmonton, Alberta. The surveys focused on the benefits and negatives of 'peer' employment and recommendations for organizational transformation through short answer written sections. Surveys were analyzed thematically using NVivo, informed by critical perspectives on substance use, with attention to key re-occurring themes on employment equity. RESULTS: While participants described multiple benefits of working in harm reduction services, such as the valuing of their expertise by fellow 'peers,' growing skill sets, countering stigma, and preventing overdose deaths, issues of workplace equity were significantly identified. Stigma, tokenism, workplace discrimination, including power and pay inequities, as well as lack of worker compensation and benefits were identified as key factors persisting in the everyday experiences of participants. CONCLUSION: Continued exposure to stigma, workplace discrimination, and/or power imbalances, combined with the impact of high stakes employment (e.g., dealing with overdose deaths), can have significant consequences for PWLE working in harm reduction, including burn out. Policy recommendations include large-scale structural changes that address inequities of hierarchical 'peer' employment for PWLE, including increased leadership roles for diverse PWLE, pay equity and benefits, unionization, as well as more supportive working environments attentive to the intersecting social-structural factors (poverty, criminalization, racism, gendered violence) impacting the everyday lives of PWLE working in harm reduction.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,014
score de la tête « metaresearch » (Gemma)0,020
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,066
Score d'incertitude au seuil0,131

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0140,020
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0090,008
Communication savante0,0030,004
Science ouverte0,0020,007
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,072
Tête enseignante GPT0,362
Écart entre enseignants0,290 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations44
Publié2021
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueHarm Reduction JournalMême sujetOpioid Use Disorder TreatmentTravaux en français237 207