Human Trafficking Detection in Health Care Settings: A Scoping Review
Notice bibliographique
Résumé
Abstract Objectives This scoping review aimed to identify available tools for detecting human trafficking survivors in healthcare settings and to explore implementation strategies. Methods A systematic search was conducted in MEDLINE/PubMed, EMBASE, BIREME-LILACS, WHO-PAHO IRIS, and other institutional repositories on August 12, 2024, with an update on January 18, 2025. Results Out of 2,881 records screened, 140 resources were included, mostly from the U.S. (n = 113). We identified 26 screening tools, 44 toolkits and guidelines, 23 documents on educational strategies and 24 studies on other types of strategies targeting HT detection in healthcare. Tools often addressed sexual exploitation, especially in minors, with limited focus on other forms of trafficking. Only eight tools reported having undergone validation processes. Many resources emphasized trauma-informed care, indicator use, and referral protocols. Implementation strategies included training programs, integration of screening protocols into clinical workflows, and digital tools; however, system-level barriers and limited provider confidence persist. Conclusion Despite the availability of tools and guidelines, there is no consensus on definitions or standardized methods for HT identification. Most tools focus on sexual exploitation, particularly in minors, while other trafficking forms are under-addressed. Sustained training, validated tools, and interdisciplinary collaboration are essential. Systemic barriers must be addressed through clear protocols and institutional commitment to ensure effective, survivor- centered detection and 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 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 | 0,026 | 0,119 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,005 | 0,005 |
| Bibliométrie | 0,033 | 0,031 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,005 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,004 | 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 ».