Using spatial video geonarratives to improve nursing care for people who use drugs and experience homelessness: A methodology for nurses
Notice bibliographique
Résumé
BACKGROUND: People who are insecurely housed and use drugs are disproportionately affected by drug poisonings. Nurses are uniquely positioned to utilize harm reduction strategies to address the needs of the whole person. Needle debris encompasses drug paraphernalia discarded in public spaces. Studying needle debris provides a strategic opportunity to identify where drugs are being used and target public health strategies accordingly. AIM: Our aim in this article is to illustrate how spatial video geonarratives (SVG) combined GPS technology interviews, and videos of locations with needle debris, can elicit valuable data for nursing research. METHODS: Using SVG required knowledge of how to collect data wearing cameras and practice sessions were necessary. A Miufly camera worn at waist height on a belt provided the stability to walk while interviewing stakeholders. We wore the cameras and conducted go-along interviews with outreach workers, while filming the built environment. Upon completion of data collection, both the interview and GPS information were analysed using Wordmapper software. CONCLUSIONS: This methodology resulted in data presented uniquely in both a visual map and narrative. These data were richer than if a single modality had been used. These data highlighted specific contextual factors that were related to the location of needle debris, which created opportunities for nursing interventions to support people experiencing vulnerability.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».