Scoping review on technology-facilitated gender-based violence against women with disabilities and LGBTQI+ persons in low- and middle-income countries
Notice bibliographique
Résumé
Background: Technology-facilitated gender-based violence (TFGBV) refers to acts of harm enabled or intensified through digital platforms, negatively affecting women’s rights, safety and well-being. Women with disabilities are at heightened risk because of the intersection of ableism and gender inequality. However, limited evidence exists on how TFGBV manifests and impacts this population, particularly in low- and middle-income countries (LMICs). Objectives: This scoping review aimed to map existing research on TFGBV against women with disabilities in LMICs, identify common patterns and explore intersections with broader structural vulnerabilities. Method: Using the PRISMA-ScR framework, we searched seven academic databases and grey literature published between 2010 and 2024. Eligible studies focused on women in LMICs and involved TFGBV through consumer digital technologies. Data were charted and deductively analysed using adapted frameworks from prior TFGBV literature. Results: From 4738 records screened, 43 studies met the inclusion criteria. Most explored how digital tools enabled violence with offline consequences. None focused exclusively on women with disabilities, though some included them. Technology-facilitated gender-based violence impacts were wide-ranging, with LGBTQ+ individuals, rural populations and low-income groups facing intersecting risks. Conclusion: This review highlights a gap in research on TFGBV among women with disabilities in LMICs. Future studies must centre intersectional, inclusive and survivor-informed approaches. Contribution: This review adopted an intersectional approach, recognising how disability, gender, poverty and other marginalised identities compound TFGBV risks. It highlights the lack of focused research on TFGBV against women with disabilities in LMICs and the need for inclusive, survivor-informed research and policy responses.
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 | 0,012 | 0,062 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,004 | 0,005 |
| Bibliométrie | 0,023 | 0,025 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».