Mental Health Impact of Gender-Based Violence Amid COVID-19 Pandemic: A Review
Notice bibliographique
Résumé
Gender-based violence (GBV) and poor mental health have received particular attention among healthcare professionals, policymakers, and researchers amid the COVID-19 pandemic. This paper presents a review of available literature to understand the dynamics of GBV and its mental health impact in the context of COVID-19. Confinement and control by abusive partners, social and economic disruption, and restricted access to healthcare services were identified as the main contributing factors of GBV. The paper elaborates on the contribution of broader socioeconomic determinants of health as well as cultural and societal factors of victimization in shaping GBV by placing specific populations or individuals in a more vulnerable position within the society based on their gender. Socioeconomic determinants included socioeconomic status, education, migration and racial, ethnic, or gender-based minoritisation. Cultural and societal factors of victimization are mostly related to gender-based structural power discrepancies and communication patterns. Evidence suggests a complex relationship between COVID-19 specific stressors, such as health anxiety and intolerance of uncertainty, GBV, and mental health issues. COVID-19 stressors might directly trigger the mechanism of aggression and cause physical or psychological violence and associated mental health implications in victims, or it might be mediated by pre-existing mental health issues experienced by perpetrators. Bangladesh Journal of Medical Science Vol.20(5) 2021 p.17-25
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 | 0,029 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,000 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,004 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».