Exploring “Language of Suffering”: Idioms of Distress Among Eritrean Refugees Living in Israel
Notice bibliographique
Résumé
In this paper, we explore idioms of distress among Eritrean refugees currently living in Israel, a refugee population that has experienced profound forms of violence and upheaval in their country of origin, yet largely overlooked in clinical research. A significant portion of Eritrean refugees have, over the past decade, sought asylum in Israel, and Eritrean refugees make up Israel’s largest refugee population. To explore their unique idioms of distress, data collection methods included 200 hours of participant observation. It also involved in-depth interviews with Eritrean refugees ( n = 26) and key informant interviews ( n = 9) with people of Eritrean descent, who were not only active in the Eritrean community but also engaged in service provision for community members. Findings uncovered four groups of idioms of distress for our Eritrean sample including mind-head-related idioms ( Bzuh mhasab , Ab aemroy selam ysen , Bzuh hasabat nab resey ymetseni , Hamam Resi ), distress-related idioms ( Chincket , Tsekti, and Tsulul ), trauma-related idioms ( Sineaemrawi Smbrat ), and supernatural-related idioms ( Buda and Tabib ). Our findings reveal that Eritrean refugees possess distinct idiomatic expressions rooted in broader cultural frameworks and systems of knowledge. These idioms reference a range of both pathological and non-pathological states, with meanings that may vary based on factors such as education, gender, duration of stay in the host country, and context of use. We argue that clinicians need to take the time to listen to refugees’ “language of suffering” and its cultural and contextual complexities in order to better understand their patients’ distress and provide more culturally appropriate and effective care.
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 | 0,010 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| 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 | 0,001 |
| 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 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 ».