“Running myself ragged”: stressors faced by peer workers in overdose response settings
Notice bibliographique
Résumé
Abstract Background Experiential workers or ‘peers’ (workers with past or present drug use experience) are at the forefront of overdose response initiatives and their role is essential in creating safe spaces for people who use drugs (PWUD). Working in overdose response settings has benefits for experiential workers but is also stressful, with lasting emotional and mental health effects. Yet, little is known about the stressors experiential workers face and what interventions can be implemented to support them in their roles. Methods This project used a community-based mixed methods research design. Eight experiential worker-led focus groups (n = 31) were conducted between November 2018 and March 2019 to assess needs of experiential workers. The transcripts were thematically coded and analyzed using interpretative description. These results informed a survey which was conducted (n = 50) in September 2019 to acquire quantitative data on experiential workers’ perception of health, quality of life, working conditions and stressors. Frequency distributions were used to describe characteristics of participants. X2 distribution values with Yates correction were conducted to check for association between variables. Results Five themes emerged from the focus groups that point to stressors felt by experiential workers: (1) Financial insecurity; (2) lack of respect and recognition at work; (3) poor living conditions; (4) inability to access and/or refer individuals to resources; and (5) constant exposure to death and trauma. Consistent with this, the top four factors that survey participants picked as one of the “top three stressors” included financial situation, work situation, housing, and caring for others. Conclusion Experiential workers are faced with a diversity of stressors in their lives which often reflect societal stigmatization of drug use. Recognition of these stressors is critical in designing interventions to ease the emotional, physical and financial burden faced by experiential workers.
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 | 0,006 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,008 | 0,004 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 ».