Applying Trauma- and Violence-Informed Care to Speech-Language Pathology Practice Across the Lifespan
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 high prevalence of trauma world-wide is such that speech-language pathologists are likely to support clients across the lifespan with experiences of trauma, such as abuse, neglect, intergenerational and racial trauma, and exposure to structural and systemic violence. Trauma can affect peoples’ neurobiology and can also impact cognitive, social, and language development and compromise over-all communication competence. Trauma-and-violence informed approaches must be built upon a foundational knowledge of the impact of trauma on people’s lives: from neurobiology and development, to health, communication, and behavior. It is therefore evident that consideration of trauma must be built into training programs, care provision, organizational policies, and programs. To provide trauma- and violence-informed care (TVIC), speech-language pathologists must individually and collectively engage in the process of critical reflection to gain insight into their personal and cultural assumptions and values, and to affect change in practice. To this end, the authors draw from available literature as well as their clinical, academic and individual experiences to illustrate how TVIC can shape speech-language pathologists’ lens with respect to 1. The social determinants of health and access to services, 2. Behaviors that challenge, and 3. Social communication, social cognition, and emotional regulation. The Substance Abuse and Mental Health System Administration’s (SAMHSA) four assumptions and six principles of trauma-informed care are applied to illustrate how TVIC can be incorporated into practice.
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 | 0,000 | 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 découle