Understanding contextual factors in falls in long-term care facilities
Notice bibliographique
Résumé
Purpose – Despite the growing area of research involving falls in the residential care setting, the link between contextual and environmental factors in falls is poorly understood. This paper aims to draw upon existing research being undertaken in long-term care (LTC) in Metro Vancouver, Canada, with a particular focus on identifying contextual factors contributing to fall events. Design/methodology/approach – This paper presents the results of a qualitative observational analysis of video-captured data collected through a network of high-quality video systems in two LTC facilities. The research comprised workshops involving experienced researchers who reviewed six video sequences of fall events. The outcome of the workshops was a written narrative summarizing the discussion and researchers’ interpretation of fall sequences. Findings – The analysis indicates that there are a broad range of environmental, behavioral and situational factors that contribute to falls in LTC. This suggests that a limited conceptualization of a fall as an outcome of the person's impairment and environmental hazards fails to convey the complexity of potential contributory factors typical of most fall incidents. Research limitations/implications – Broadening our understanding of falls provides the potential to make recommendations for falls prevention practice across multiple levels, including the individual, social and organizational context. Originality/value – The paper evaluates the potential of video-based data in fall analysis and points to the development of a case study approach to analyzing fall incidents to capture the complex nature of contributory factors beyond research that focuses solely on intrinsic and extrinsic risk factors.
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 | 0,000 | 0,000 |
| 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 ».