A cross-sectional study of community perceptions of stigmatization amongst women affected by UN-peacekeeper perpetrated sexual exploitation and abuse
Notice bibliographique
Résumé
BACKGROUND: Sexual exploitation and abuse (SEA) by UN peacekeepers perpetrated against local women and girls is a concern in the Democratic Republic of Congo (DRC). While stigma associated with sexual and gender-based violence is well documented more broadly, little is known about stigma associated with peacekeeper-perpetrated SEA. METHODS: The aim of this study was to examine how the degree of exposure to SEA affects community perceptions of a woman or girl's (1) social status (public stigma) and (2) institutional support in her community (structural stigma). Two poisson regression models with robust variance estimation were constructed utilizing community survey data of SEA experiences from eastern DRC (n = 2867) to quantify these associations. Relevant demographic variables were assessed for confounding and effect modification. RESULTS: The prevalence of public and structural stigma were 62.9 and 19.3% respectively across the sample. A positive relationship was demonstrated between level of exposure of SEA and diminished social status in which women and girls experiencing moderate levels of SEA were at the greatest risk of public stigmatization after adjusting for confounding (RR: 1.94; CI: 1.66-2.26). Similarly, a positive relationship between exposure to SEA and inadequate institutional support was shown for female narrators wherein women and girls experiencing a high degree of SEA were 6.53 times as likely to receive inadequate support (RR: 6.53; CI: 3.63, 11.73). This contrasted with male narrated stories for whom there was no significant association between the SEA exposure level and institutional support. CONCLUSIONS: Women/girls with high exposure levels to UN peacekeeper-perpetrated SEA are at the highest risk of public and structural stigmatization, which should be more routinely considered when conceptualizing the consequences of SEA in peacekeeping contexts. The frequent occurrence of both public and structural stigma, coupled with the varying perceptions by sex, demonstrates the need for a multi-faceted approach for stigma reduction.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».