Víðtæk áhrif fordóma á einstaklinga með röskun á geðrænu heilbrigði : orsakir, áhrif og afleiðingar
Bibliographic record
Abstract
Tilgangurinn með verkefninu er að kanna algengi fordóma gagnvart einstaklingum með geðsjúkdóma, áhrif þeirra og hversu útbreiddir þeir eru í samfélaginu. Skoðað var hvaðan þeir koma, hver áhrif þeirra eru á einstaklinga og hvaða þættir viðhalda þeim. Einnig eru settar fram tillögur að fræðslu til að auka þekkingu á geðsjúkdómum og draga þannig úr fordómum. \nNotast verður við eigindlega aðferðafræði við gerð rannsóknarinnar. Stuðst verður við 12 þrepa ferli Vancouver-skólans í fyrirbærafræðum og valdir verða einstaklingar sem hafa reynslu af fyrirbærinu með tilgangsúrtaki. \nFordómar gegn geðsjúkdómum eru útbreiddir í samfélögum. Samfélagið dregur ákveðnar ályktanir um geðsjúkdóma út frá staðalímynd, sálarástandi og fjölmiðlum sem tengja gjarnan geðsjúkdóma við ofbeldi, ógnun og óstöðugleika. Neikvæð viðhorf samfélagsins setja ákveðin takmörk á líf einstaklinga og hafa jafnframt áhrif á aðgengi að heilbrigðiskerfinu, sjúkdómatryggingum og atvinnumöguleikum. Mikilvægt er að setja málefnið í nærmynd og vekja fólk til vitundar um geðsjúkdóma vegna þess að einstaklingar með geðræna sjúkdóma og fjölskyldur þeirra reyna eftir fremsta megni að leyna sjúkdómnum til að mæta ekki andstöðu eða fordómum í samfélaginu. \nRannsakendur telja að til að hægt sé að koma á móts við þarfir einstaklinga og draga úr fordómum þurfi að huga að breytingum í geðheilbrigðisþjónustu til framtíðar. Mat rannsakenda er að æskileg þróun geðheilbrigðisþjónustunnar sé að hún færist meira út í samfélagið þar sem áhersla sé lögð á forvarnir, fræðslu og stuðning við sjúklinga og aðstandendur utan hinna hefðbundnu sjúkrahúsa. \n \nLykilhugtök: Fordómar, fjölskylda, geðsjúkdómar, hjúkrun, mismunun, staðalímynd, sjálfsfordómar, sjálfsmynd, stimplun.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.004 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.007 | 0.004 |
| Scholarly communication | 0.011 | 0.006 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.004 | 0.005 |
| Insufficient payload (model declined to judge) | 0.154 | 0.073 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".