What would help me stop abusing? The family carer's perspective
Notice bibliographique
Résumé
BACKGROUND: A third of family members caring for people with dementia report acting abusively towards them, but there are currently no evidence-based interventions to reduce or prevent such behavior. Family carers who act abusively have not previously been consulted about what may help to reduce abuse. METHOD: We prospectively recruited a consecutive sample of 220 family carers of people with dementia referred to secondary psychiatric services. We asked carers who reported any abusive behavior in the previous three months to select from a list of services and potential interventions those that they thought might help to reduce or prevent this abusive behavior. Carers were also asked to suggest other interventions that might help prevent abuse. RESULTS: 113/115 carers who reported any abusive behavior answered questions about possible interventions. The three most frequently endorsed interventions were: medication to help the care recipient's memory (n = 54; 48.2%); written advice on understanding memory problems and what to do (n = 48; 42.9%) and more information from professionals caring for the person with dementia (n = 45; 40.2%). When asked which interventions were most important, medication to help memory (n = 21; 18.6%), home care (n = 17; 15.0%), residential respite and sitting services (both n = 12; 10.6%) were most frequently endorsed. CONCLUSION: To prevent abuse, family carers prioritized medication for memory, good communication from professionals, written advice on memory problems, home care, residential respite and sitting services. As no interventions to reduce abuse by family carers have yet been formally evaluated, a good starting point may be the expressed wishes of family carers.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 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 ».