Elder abuse and mistreatment : policy, practice, and research
Notice bibliographique
Résumé
* About the Contributors * Foreword * Preface * Introduction (Patricia Brownell) * OVERVIEW AND POLICY * Communities Respond to Elder Abuse (Lisa Nerenberg) * A Policy Perspective on Elder Justice Through APS and Law Enforcement Collaboration (Christopher Dubble) * Social Inclusion: An Interplay of the Determinants of Health--New Insights into Elder Abuse (Elizabeth Podnieks) * PRACTICE * Self-Determination and Elder Abuse: Do We Know Enough? (L. Rene Bergeron) * Use of a Single Page Elder Abuse Assessment and Management Tool: A Practical Clinician's Approach to Identifying Elder Mistreatment (Patricia A. Bomba) * An Elder Abuse Shelter Program: Build It and They Will Come: A Long Term Care Based Program to Address Elder Abuse in the Community (Daniel A. Reingold) * Consumer Fraud and the Elderly: A Review of Canadian Challenges and Initiatives (Carole A. Cohen) * Psycho-Educational Support Groups for Older Women Victims of Family Mistreatment: A Pilot Study (Patricia Brownell and Deborah Heiser) * RESEARCH * Ethical and Psychosocial Issues Raised by the Practice in Cases of Mistreatment of Older Adults (Marie Beaulieu and Nancy Leclerc) * Elder Abuse and Neglect Among Veterans in Greater Los Angeles: Prevalence, Types, and Intervention Outcomes (Ailee Moon, Kerianne Lawson, Maria Carpiac, and Eleanor Spaziano) * Hearing the Voices of Abused Older Women (Jill Hightower, M. J. (Greta) Smith, and Henry C. Hightower) * Effects of Dependency on Compliance Rates Among Elder Abuse Victims at the New York City Department for the Aging, Elderly Crime Victim's Unit (Mebane E. Powell and Jacquelin Berman) * Index * Reference Notes Included
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 | 0,001 | 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 | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».