Promoting Awareness to Counter Damaging Attitudes, Beliefs, and Reactions Related to Sexual Assault Against Trans People: A Social Media Campaign for Health and Social Service Providers
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Transgender (trans) people face high rates of sexual assault and often encounter systemic barriers in accessing appropriate care and supports, including, among others, stigma, discrimination, and a lack of provider knowledge. Trans communities and allies in research and the service sector have emphasized the potential of advocacy as a tool to dismantle barriers for trans people; however, to date, few advocacy efforts have been undertaken in the sexual assault context. To address this gap, we developed and implemented #TRANSformativeKnowledge, a social media campaign to promote awareness among providers about the damaging attitudes, beliefs, and reactions that often impede trans survivors' access to appropriate services. Based on insights from a recorded consultation with trans community members and health and social service professionals, we designed seven posters for circulation on Twitter, each containing a representative quote, key message, and associated call to action. The campaign was launched May 17, 2021, with posters Tweeted twice weekly, including one final summary post on June 30, 2021. The campaign reached approximately 100,000 Twitter users, with almost 2,000 engagements. As demonstrated by these findings, our social media advocacy campaign represents a viable method for disseminating knowledge about sexual assault against trans people, which could be replicated by others aspiring to advance health equity through advocacy.
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.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 découle