Impairment and Abuse of Elderly by Staff in Long-Term Care in Michigan: Evidence From Structural Equation Modeling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Elder abuse in long-term care has become a very important public health concern. Recent estimates of elder abuse prevalence are in the range of 2% to 10% (Lachs & Pillemer, 2004), and current changes in population structure indicate a potential for an upward trend in prevalence (Malley-Morrison, Nolido, & Chawla, 2006; Post et al., 2006). More than 20 years ago, Karl Pillemer called for sociological research on patient maltreatment in nursing homes and provided an overview model for the conduct of such research (Pillemer, 1988). The research literature since then has not provided the definitive model to account for patient maltreatment that Pillemer hoped for. Instead, it has produced a laundry list of risk factors that includes the patient's functional disability, cognitive impairment, social isolation, age, race, income, family background, life events, dementia, and depression (Dyer, Pavlik, Murphy, & Hyman, 2000; Lachs & Pillemer, 2004; Lachs,Williams, Obrien, Hurst, & Horwitz, 1997; Pavlik, Hyman, Festa, & Dyer, 2001; Schofield & Mishra, 2003). However, no theory exists to place these factors in a causal structure that relates the factors to each other and to whether abuse occurs. This study is a first step in that direction. Nine hypotheses were generated focusing on the effects of two dimensions of impairment--(a) physical and cognitive and (b) age and behavior problems--on susceptibility to abuse among elderly in long-term care.The relationships between factors and from factors to susceptibility to abuse are specified in a structural equation model where "susceptibility to abuse," "physical impairment," and "cognitive impairment" are latent variables, and behavior problems and age are directly measured.
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.
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 | 0,000 | 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 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle