What works to prevent violence against women, domestic abuse and sexual violence (VAWDASV)? A systematic evidence assessment
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
This review identifies effective practice for the prevention of violence against women, domestic abuse and sexual violence (VAWDASV). The review is underpinned by public health principles which provide a useful framework to understand the causes and consequences of violence as well as prevention. This systematic evidence assessment had two stages: a database search identified reviews of interventions designed to prevent VAWDASV, published since 2014; a supplementary search identified primary studies published since 2018. Reviews (n=35) and primary studies (n=16) focus on a range of types of violence and interventions. At the individual and relationship level, interventions work to transform harmful gender norms, promote healthy relationships, and promote empowerment. In the community, effective interventions were identified in schools, the workplace, and health settings. Finally, at the societal level, interventions relate to legislation and alcohol policy. The findings reveal a wealth of literature relating to the prevention of VAWDASV. However, gaps in research were identified in relation to the prevention of trafficking, violence against women, domestic abuse, sexual violence among older age groups, and so-called honour-based abuse other than female genital mutilation. Also, while many interventions focus on change at the individual and relationship level and within community settings, there is less evidence for societal-level prevention. The prevention of VAWDASV is both feasible and effective and there is an imperative to invest both in prevention programming and high-quality research to continue to guide efforts to prevent VAWDASV.
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 | 0,010 | 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 | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 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