Extreme events and gender-based violence: a mixed-methods systematic review
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
The intensity and frequency of extreme weather and climate events are expected to increase due to anthropogenic climate change. This systematic review explores extreme events and their effect on gender-based violence (GBV) experienced by women, girls, and sexual and gender minorities. We searched ten databases until February, 2022. Grey literature was searched using the websites of key organisations working on GBV and Google. Quantitative studies were described narratively, whereas qualitative studies underwent thematic analysis. We identified 26 381 manuscripts. 41 studies were included exploring several types of extreme events (ie, storms, floods, droughts, heatwaves, and wildfires) and GBV (eg, sexual violence and harassment, physical violence, witch killing, early or forced marriage, and emotional violence). Studies were predominantly cross-sectional. Although most qualitative studies were of reasonable quality, most quantitative studies were of poor quality. Only one study included sexual and gender minorities. Most studies showed an increase in one or several GBV forms during or after extreme events, often related to economic instability, food insecurity, mental stress, disrupted infrastructure, increased exposure to men, tradition, and exacerbated gender inequality. These findings could have important implications for sexual-transformative and gender-transformative interventions, policies, and implementation. High-quality evidence from large, ethnographically diverse cohorts is essential to explore the effects and driving factors of GBV during and after extreme events.
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 | 0,007 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,004 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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