Examining organization and provider challenges with the adoption of virtual domestic violence and sexual assault interventions in Alberta, Canada, during the COVID-19 pandemic
Notice bibliographique
Résumé
OBJECTIVES: In Canada, calls to domestic violence and sexual assault hotlines increased during the COVID-19 pandemic as stricter public health restrictions took effect in parts of the country. Moreover, the public health measures introduced to limit the transmission of COVID-19 saw many health providers abruptly pivot to providing services virtually, with little to no opportunity to plan for this switch. We carried out a qualitative research study to understand the resulting challenges experienced by providers of domestic violence and sexual assault support services. METHODS: Twenty-four semi-structured interviews were conducted to gather in-depth information from service providers and organizational leaders in the Canadian province of Alberta about the challenges they experienced adopting virtual and remote-based domestic violence and sexual assault interventions during the COVID-19 outbreak. Interview transcripts and field notes were analysed using a thematic analysis approach. RESULTS: Our findings highlighted multiple challenges organizations, service providers and clients experienced. These included: (1) systemic (macro-level) challenges pertaining to policies, legislation and funding availability, (2) organization and provider (meso-level) challenges related to adapting services and programmes online or for remote delivery and (3) provider perceptions of client (micro-level) challenges related to accessing virtual interventions. CONCLUSIONS: Equity-focused policy and intersectional and systemic action are needed to enhance delivery and access to virtual interventions and services for domestic violence and sexual assault clients.
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 | 0,006 | 0,000 |
| 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 | 0,001 |
| 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 ».