The impact of COVID-19 on research within the homeless services sector
Notice bibliographique
Résumé
Purpose This paper aims to discuss the challenges of conducting research with homelessness services frontline workers during the COVID-19 pandemic. Design/methodology/approach Between 2015 and 2019, the research team surveyed frontline staff in three cities about their psychosocial stressors and needs. In 2020, the authors replicated the previous study and expanded data collection to seven cities across Canada to determine the extent to which the COVID-19 pandemic impacted the well-being of frontline staff. This report describes how the authors adapted the research methodologies to continue work throughout the pandemic, despite various restrictions. Findings The original studies had very high participation rates because of several methodological approaches that minimized barriers, especially in-person data collection. During the pandemic, distancing requirements precluded replication of these same methods. Research strategies that enabled staff participation during working hours, with designated time allotted for participation, was key for ensuring high participation rates, as access to technology, availability of free time and other factors frequently make online survey research a hardship for these staff. Restrictive interpretation and regional variations of COVID-19 guidelines by some research ethics boards were also a challenge to rapid and responsive data collection. Originality/value Few studies describe the experiences of frontline workers in the homelessness sector, and quantitative reports of their experiences are particularly scant. Consequently, little is known about specific methodologies that facilitate large-scale data collection in the homelessness services sector. The present research advances the field by providing lessons learned about best practice approaches in pre and post COVID-19 front line worker contexts. A strength of this research is the well-controlled design. The authors collected data within several of the organizations that had previously participated. This fortunate baseline provided opportunity for comparison before and during the pandemic; the authors can highlight factors that might have had influence during the pandemic.
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 | 0,003 | 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 ».