Experiences of violence during the COVID-19 pandemic among people who use drugs in a Canadian setting : a gender-based cross-sectional study
Notice bibliographique
Résumé
Objectives People who use drugs (PWUD) experience disproportionately high rates of violent victimization. Emerging research has demonstrated that the COVID-19 pandemic has exacerbated violence against some priority populations (e.g., women), however there is limited research examining the impact of the pandemic on the experiences of violence of PWUD. Methods Using data collected between July and November 2020 from three prospective cohort studies of PWUD in Vancouver, Canada, we employed multivariable logistic regression stratified by gender to identify factors associated with recent experiences of violence, including the receipt of COVID-19 emergency income support. Results In total, 77 (17.3%) of 446 men, and 54 (18.8%) of 288 women experienced violence in the previous six months. Further, 33% of men and 48% of women who experienced violence reported that their experience of violence was intensified since the COVID-19 pandemic began. In the multivariable analyses, sex work (Adjusted Odds Ratio [AOR] = 2.15, 95% confidence interval [CI]: 1.06–4.35) and moderate to severe anxiety or depression (AOR = 3.00, 95% CI: 1.37–6.57) were associated with experiencing violence among women. Among men, drug dealing (AOR = 1.93, 95%CI: 1.10–3.38), street-based income sources (AOR = 1.93, 95%CI: 1.10–3.38), homelessness (AOR = 2.54, 95%CI: 1.40–4.62), and regular employment (AOR = 2.97, 95% CI: 1.75–5.04) were associated with experiencing violence. Conclusion Our study results suggest economic conditions and gender were major factors associated with experiencing violence among our sample of PWUD during COVID-19. These findings highlight criminalization of drug use and widespread socioeconomic challenges as barriers to addressing violence among PWUD during periods of crisis.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,004 |
| Études des sciences et des technologies | 0,006 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».