RESOURCES AVAILABLE TO PEOPLE WHO USE DRUGS: A CASE STUDY OF TUCSON AND COMPARED CITIES
Notice bibliographique
Résumé
People who use drugs are inherently marginalized due to the stigmatization they experience for their habits. At the same time, drug use is prevalent across many demographics, affecting any and all types of people. People’s vulnerability increases after prolonged drug use, when others view them as “addicts” rather than an individual struggling with substance use disorder. It is important to provide people who use drugs with a variety of resources to help them meet their needs in this challenging context. In this paper, I define a list of basic needs that people who use drugs might need help meeting. The needs identified are human rights (including housing, food security and employment), harm reduction, destigmatized health care (including mental health care), legal care, and social needs. Then, I conduct two case studies to investigate what public resources are available to meet these basic needs in Tucson, Arizona and Vancouver, Canada. Next, I compare and contrast the resources provided in these two cities, in order to identify the different government operated and privately organized resources available to the residents of the cities. This identification will highlight what resources work well and provide ideas for future resources that Tucson can provide. Finally, I include recommendations of what can be done to improve the resources that Tucson has to offer, as well as what can be done to maintain some polices created during the COVID-19 pandemic that came to provide vital resources to people who use drugs.
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 | 0,000 | 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 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 ».