Rehabilitation professionals’ perspectives and experiences with the use of technologies for violence prevention: a qualitative study
Notice bibliographique
Résumé
BACKGROUND: There is growing public policy and research interest in the development and use of various technologies for managing violence in healthcare settings to protect the health and well-being of patients and workers. However, little research exists on the impact of technologies on violence prevention, and in particular in the context of rehabilitation settings. Our study addresses this gap by exploring the perceptions and experiences of rehabilitation professionals regarding how technologies are used (or not) for violence prevention, and their perceptions regarding their efficacy and impact. METHODS: This was a descriptive qualitative study with 10 diverse professionals (e.g., physical therapy, occupational therapy, recreation therapy, nursing) who worked across inpatient and outpatient settings in one rehabilitation hospital. Data collection consisted of semi-structured interviews with all participants. A conventional approach to content analysis was used to identify key themes. RESULTS: We found that participants used three types of technologies for violence prevention: an electronic patient flagging system, fixed and portable emergency alarms, and cameras. All of these were perceived by participants as being largely ineffective for violence prevention due to poor design features, malfunction, limited resources, and incompatibility with the culture of care. Our analysis further suggests that professionals' perception that these technologies would not prevent violence may be linked to their focus on individual patients, with a corresponding lack of attention to structural factors, including the culture of care and the organizational and physical environment. CONCLUSIONS: Our findings suggest an urgent need for greater consideration of structural factors in efforts to develop effective interventions for violence prevention in rehabilitation settings, including the design and implementation of new technologies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,024 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,010 | 0,009 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,002 | 0,007 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».