Investigating violence against <i>Accredited Social Health Activists</i> (ASHAs): a mixed methods study from rural North Karnataka, India
Notice bibliographique
Résumé
Background Accredited Social Health Activists (ASHAs) are female community health workers who primarily work to improve local reproductive, maternal, neonatal, and child health across India. As ASHAs often hail from patriarchal environments and are positioned at the bottom of the healthcare hierarchy, they are vulnerable to experiencing different forms of violence from the various individuals that they interact with. There is a gap in knowledge about the violence ASHAs experience. The purpose of this study was to assess the working condition of ASHAs, the extent and types of violence they experienced, and the corresponding perpetrators of this violence in two districts of Northern Karnataka. Methods Using a mixed methods approach, we first surveyed 396 ASHAs to characterize their experiences of violence. We then conducted in-depth interviews with 16 ASHAs to elaborate on survey findings. Data was analyzed using quantitative prevalence statistics and qualitative thematic analysis. Results The majority of ASHAs reported economic (88%) or emotional violence (73%), while many ASHAs reported sexual (32%) or physical violence (26%). ASHAs reported high levels of economic violence from their beneficiaries and their beneficiaries’ families (64%), emotional violence from their co-workers (44%), and physical and sexual violence from their husbands (17% and 12% respectively). Mixed methods findings revealed that violence was often rooted from their low positioning on the healthcare hierarchy, a lack of respect from community members, and limited autonomy at home. Conclusions Evidence from this study suggests that violence perpetrated against ASHAs is highly prevalent, diverse in forms, and often arises from the ASHA’s immediate circles. Interventions aiming to decrease violence against ASHA workers requires multi-level approach, with collaborative components empowering ASHAs, sensitizing ASHA families and co-workers, implementing regulations at the health facility level, and increasing community-wide respect for ASHAs and their role in the health care.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».