The most important healthcare needs of Ukrainian women fleeing the current Russo-Ukrainian war (2022-) : an exploratory study in Quebec
Bibliographic record
Abstract
Problématique. Depuis le début de l'invasion à grande échelle de l'Ukraine par l'armée russe, qui a débuté le 24 février 2022, une migration sans précédent de la population féminine ukrainienne s'est produite. But. Cette étude vise à explorer les besoins essentiels en matière de santé de ces femmes ukrainiennes vulnérables et à examiner leurs expériences avec le système de santé québécois. L'objectif principal de cette étude est de sensibiliser les infirmières et autres fournisseurs de soins de santé à ces besoins liés aux soins de santé dans les soins primaires. Méthode. Guidé par le cadre conceptuel axé sur le bien-être des migrants développé par Wickramage et al. (2018), cette étude exploratoire a utilisé des entrevues semi-structurées avec neuf femmes ukrainiennes et a utilisé une analyse thématique pour en tirer des enseignements. Résultats. Les résultats révèlent l'importance de considérer l'interdépendance des conditions de santé prémigratoires, des expériences de guerre et de l'intégration compliquée, qui, ensemble, ont un impact sur les conditions de santé des migrants (en exacerbant ou en développant de nouveaux problèmes de santé) et sur le bien-être de cette population vulnérable de migrants forcés par la guerre. Bien que de nombreux facteurs impliqués ressemblent à ceux d'autres groupes de migrants, cette étude se concentre sur ceux qui sont plus spécifiques à ce groupe une fois qu'il arrive au Québec, y compris le système de soins de santé local. Conclusion. L'étude souligne l'importance d'intégrer une approche sensible à la culture dans les pratiques des prestataires de soins de santé et suggère que les programmes d'études en soins infirmiers et interdisciplinaires incluent une formation sensible à la culture. Toutes les recommandations visent à améliorer la qualité des soins et des services de santé.
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 | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.003 | 0.000 |
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".