Soldiering on only goes so far: How a qualitative study on Veteran loneliness in New Zealand influenced that support during COVID-19 lockdown
Notice bibliographique
Résumé
Introduction: On April 25, 2020, Veterans’ Affairs in New Zealand (NZ) contacted approximately 3,000 of 8,000 known military Veterans by phone during the SARS-CoV-2 pandemic to ensure they were safe during the government-imposed lockdown. The impetus to this initiative were the findings of a cross-sectional quantitative survey of NZ Veterans, followed by the qualitative survey reported here, both carried out in 2019. The former report found 33% of 89 respondents were lonely and reported barriers to seeking support, and over half of Veterans felt uncomfortable accessing it. Methods: To understand the factors underlying loneliness, a qualitative survey was developed based on the barriers previously identified and a literature review. A purposeful sample based on gender, age, and ethnicity identified 20 respondents from the initial survey: 10 lonely and 10 non-lonely. Interviews were followed by an inductive thematic analysis, and themes and sub-themes were developed. Results: Ten of the 20 potential participants responded: 6 lonely and 4 non-lonely. Social and geographic isolation, problems with re-integration into the civilian community, and health problems were found to contribute to Veteran loneliness. Social connectedness, particularly to service peers, was the primary mitigating factor. Barriers included stoicism and perceptions of ineffective and inaccessible services. Inequity in the Veteran support system also emerged as a barrier for Veterans who had not deployed on operational missions. Discussion: During the pandemic, social connectedness will have decreased, and loneliness increased. Designing interventions with these factors in mind, and ensuring equity of access to support, should help combat Veteran loneliness.
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 | 0,013 | 0,015 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,014 | 0,012 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».