Preference for hotline versus mobile application/countdown-based mobile overdose response services: a qualitative study
Notice bibliographique
Résumé
BACKGROUND: In response to the exacerbated rates of morbidity and mortality associated with the overlapping overdose and COVID-19 epidemics, novel strategies have been developed, implemented, operationalized and scaled to reduce the harms resulting from this crisis. Since the emergence of mobile overdose response services (MORS), two strategies have aimed to help reduce the mortality associated with acute overdose including staffed hotline-based services and unstaffed timer-based services. In this article, we aim to gather the perspectives of various key interest groups on these technologies to determine which might best support service users. METHODS: Forty-seven participants from various interested groups including people who use substances who have and have not used MORS, healthcare workers, family members, harm reduction employees and MORS operators participated in semi-structured interviews. Transcripts were coded and analyzed using a thematic analysis approach. RESULTS: Four major themes emerged regarding participant perspectives on the differences between services, namely differences in connection, perceived safety, privacy and accessibility, alongside features that are recommended for MORS in the future. CONCLUSIONS: Overall, participants noted that individuals who use substances vary in their desire for connection during a substance use session offered by hotline and timer-based service modalities. Participants perceived hotline-based approaches to be more reliable and thus potentially safer than their timer-based counterparts but noted that access to technology is a limitation of both approaches.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 | 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 ».