Digital exclusion and people experiencing homelessness: implications for opioid use disorder care
Notice bibliographique
Résumé
PURPOSE OF REVIEW: People experiencing homelessness (PEH) are at increased risk of adverse consequences from opioid use disorder and other health conditions yet face multiple structural and personal barriers to accessing care. The expansion of digitized health and social care services may have improved access and efficiency of services to many in the general population but at the cost of further marginalizing PEH. Current digital exclusion mitigation strategies may not be sufficiently nuanced to address the deeply complex and challenging circumstances of PEH lives. RECENT FINDINGS: Providing devices, data and skills to PEH is no guarantee of increased use and benefit from digitally enabled services. Precarious and constantly mobile lives mean that maintaining sustained digital access is problematic and not always desirable. Even where digital access is secured, PEH are constrained in the range of activities they can engage with online due to privacy and other structural constraints. Justifiable distrust of institutions including healthcare colors the acceptability of digitized services for PEH. This distrust is magnified due to new inequities and vulnerabilities introduced by digitized services including the need for a digital persona, adverse outcomes from adverse digital inclusion and a widening of power imbalances. These more nuanced understandings of digital exclusion are increasingly incorporated into mitigation strategies, premised on co-production and engagement with PEH. SUMMARY: Improved engagement with digitally enabled OUD care for PEH must be prefaced by improved access to technology, optimized physical environments to maintain and use technology, and collaborative cross-sectoral efforts to build trust and engage this group through co-production and rebalanced power dynamics.
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 | 0,003 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».