Putting Indigenous Harm Reduction to Work: Developing and Evaluating “Not Just Naloxone”
Notice bibliographique
Résumé
First Nations people and communities have long been championing the provision of holistic, self-determining, culturally safe, and responsive health care. In April 2016, a catastrophic rise in illicit drug overdose deaths in the province of British Columbia (BC), Canada, led to the declaration of a public health emergency. Due to the compounding historical and ongoing impacts of colonialism, including trauma and inequitable access to health services, First Nations people in BC are disproportionately impacted by this crisis. In response, the First Nations Health Authority created Not Just Naloxone (NJN), a train-the-trainer workshop designed to build Indigenous harm reduction knowledge and skills within First Nations communities. This article describes the NJN program and presents the results of a follow-up evaluation of 37 participants from six NJN workshops held between December 2017 and October 2018. Core strengths of the training included an Indigenized approach and the opportunity to build networks of support. Respondents reported increased knowledge and confidence presenting about harm reduction and feeling more prepared to respond to overdoses. Areas for improvement included maintaining up-to-date training materials and navigating emotional triggers for participants. Trainees went on to train over 2,400 community members in naloxone and Indigenous harm reduction, and reported that communities’ awareness and attitudes around harm reduction began to change. Challenges providing community trainings included buy-in from local leadership and persistent abstinence-based beliefs. This evaluation demonstrates the impact of holistic, culturally safe harm reduction training and the need for a connected community of Indigenous harm reduction champions.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».