Self-perception of sexual harassment: A comparison between female medical and nursing students during clinical practice
Notice bibliographique
Résumé
BACKGROUND: Sexual harassment (SH) may occur anywhere in the world, including the hospital setting. Medical and nursing students are not excluded from being sexually harassed during their clinical practice. This study examined the experiences and compared the perception of SH between female medical and nursing students during their clinical practice in Perak, Malaysia. METHODS: A comparative cross-sectional study design was done among female medical and nursing students during their clinical practice. RESULTS: Total respondents were 481 female medical and nursing students (response rate of 96.2%). About 17.8% of medical and 18.8% of nursing students had been sexually harassed. The most common harasser for medical and nursing students were males (51.2% and 48.8%, respectively), patients (39.7% and 60.3%, respectively), age 30s (41.0% and 59.0%, respectively) and 40s (65.5% and 34.5%, respectively), occurred in medical wards for both groups (50% each). From the SH checklist, 76.9% of medical and 73.5% of nursing students had experienced at least one item of the total 18 items. The abnormal sexual desire of an individual was chosen as the reason for SH by 44.9% of medical and 33.8% of nursing students. The majority of respondents said the issue of SH in clinical practice was very serious. Around 32% of medical students choose the fear of being disadvantaged during clinical practice as the reason why the victims kept quiet while 41.5% of nursing students chose because of not having evidence. Both groups of students suggested establishing rules and laws relating to SH (30.8% and 35.5%, respectively) as effective methods to prevent it. About 75.3% of medical and 81.6% of nursing students agreed that it was very necessary for implementing a SH prevention program. DISCUSSION: Although SH is not a new issue, there is insufficient exposure about SH among medical and nursing students. This can be corrected by increasing their knowledge and awareness about SH.
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 | 0,001 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 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 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 ».