Intimate Partner Violence Risk Assessment: A Primer for Social Workers
Notice bibliographique
Résumé
Social workers are likely to encounter intimate partner violence (IPV) survivors and/or perpetrators within their practice due to the prevalence of this social issue and the negative health and mental health consequences resulting from it. IPV risk assessments can be utilised by social workers in multiple service settings. A recent meta-analysis provided information on the IPV risk assessment instruments with the greatest predictive accuracy, but social workers need to know the most appropriate IPV risk assessment tools for use in their particular practice settings. Therefore, this paper provides social workers with summary information on the four risk assessment instruments that have the highest predictive accuracy—the Danger Assessment, the Spousal Assault Risk Assessment, the Ontario Domestic Assault Risk Assessment, and the Domestic Violence Screening Inventory. For social workers unable to use validated risk assessments, a summary of the risk factors is provided with a focus on opportunities for change within violent relationships. Finally, recommendations for which IPV risk assessment to use in various social work practice settings are outlined. The use of IPV risk assessment should be situated within an evidence-based practice framework, taking into account the best evidence of risk for future harm, clinical expertise and client self-determination.
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 | 0,051 | 0,059 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,010 | 0,005 |
| Études des sciences et des technologies | 0,003 | 0,013 |
| Communication savante | 0,009 | 0,015 |
| Science ouverte | 0,006 | 0,008 |
| Intégrité de la recherche | 0,013 | 0,022 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,002 |
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 ».