Heat is a danger to my health even though I said I am used to it”: Qualitative insights of workplace heat among community health workers and health promoters in Kenya [data]
Notice bibliographique
Résumé
Climate change is one of the most prominent environmental and health challenges of the 21st century. Variations in extreme temperature and weather events intensify occupational heat exposure and place workers at increasing risk of heat-related illness (HRIs) and injury. Healthcare workers, especially those in resource-limited, community-based, or mobile settings, face significant occupational risks from rising temperatures, yet these challenges remain largely overlooked and insufficiently studied. This qualitative study, based on semi-structured face-to-face interviews, explores the experiences of Community Health Workers (CHWs) and Community Health Promoters (CHPs) in Kenya, examining how extreme heat affects their personal health, livelihoods, and the delivery of community-based health services. We conducted 41 in-depth interviews with CHWs and CHPs (Mombasa County, n=19; Tana River County, n=22). Data was managed using NVivo 14 and analysed drawing on tenets of reflexive thematic analysis. We identified a pattern of intersecting vulnerabilities shaped by experiences of economic inequality, work conditions and pressures, HRIs, and challenges of accessing healthcare, effects of changing weather patterns on community health work and livelihoods, and gendered experiences of extreme weather and work challenges. Our findings show that these domains are not discrete but reinforcing, with overlapping effects that not only shape the daily experiences of CHWs and CHPs but also constrain their resilience and the effectiveness of community health service delivery. Our findings highlight the urgent need for climate-resilient health systems that not only improve the working conditions or protect CHWs and CHPs from extreme heat but also address the structural inequalities, such as economic disparities and the challenges of gendered burdens, that heighten their vulnerability.
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 | 0,007 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,014 | 0,011 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».