Elder Abuse Severity: A Critical but Understudied Dimension of Victimization for Clinicians and Researchers
Notice bibliographique
Résumé
Purpose of the Study: To describe the variation in severity of elder emotional abuse, physical abuse, and neglect and identify factors associated with more severe forms of elder mistreatment (EM). Design and Methods: Population-based study using random digit-dial sampling and telephone interviews with a representative sample (n = 4,156) of community-dwelling, cognitively intact older adults in New York State. The Conflict Tactics Scale and DUKE Older Americans Resources and Services scales were adapted to assess EM subtypes. For each EM subtype, severity was operationalized by summing the number of different mistreatment behaviors and the frequency of each behavior. Among older adults reporting some degree of mistreatment, ordinal or multinomial regression predicted severity of elder emotional abuse, physical abuse, and neglect. Results: Distribution of EM severity was characterized by a negative/right skew. More severe emotional abuse was predicted by younger age, living with the perpetrator only, Hispanic background, and higher education. Increasing physical abuse severity was associated with younger age and living only with the perpetrator. Higher neglect severity was associated with functional impairment, younger age, living only with the perpetrator, lower income, and lower education. The presence of nonperpetrator others living in the home served a protective function against escalating mistreatment severity. Implications: Extends existing EM risk factor research by operationalizing mistreatment phenomena along a continuum of severity. Findings enhance capacity to screen and report particularly vulnerable EM victims and inform targeted interventions to ameliorate the problem. Incorporation of severity into EM research/measurement reflects the clinical and phenomenological reality of the problem.
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 | 0,011 | 0,055 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,003 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».