SCREENING AND ASSESSMENT OF ELDER ABUSE: AN EVALUATION OF NICE TOOLS
Notice bibliographique
Résumé
Elder abuse (EA) has various dimensions, including physical, sexual and psychological abuse, which make screening and assessment challenging. As part of a larger project, the National Initiative for the Care of the Elderly (NICE) developed evidence-based tools to address these challenges. However, as no formal evaluation of these instruments has been conducted, the current study examines and evaluates the impact of NICE EA tools. Participants with NICE membership were randomly sampled (n = 438: 79.7% practitioners; 7.5% students; 4.5% older adults/informal caregivers; and 8.2% other) and asked to complete a telephone survey to assess the instrumental impact (use of tools), conceptual impact (impact of knowledge in tools), and symbolic impact (whether the tools confirmed actions/decisions) of the tools. Of 438 participants, 74 reported using EA tools the most, with 46% of these users indicating that the tools had an instrumental impact (i.e., information in the EA tool changed their daily work practices and/or they adopted ideas/actions from the tool). Additionally, 31% indicated that the tools had a conceptual impact, as the tools increased their knowledge of EA and influenced their work practices. Finally, 45% reported the EA tools confirmed their actions at work and helped justify their decisions to co-workers and clients. These results suggest that NICE EA pocket tools have a conceptual, instrumental, and symbolic impact on improving knowledge and practices related to EA among multiple stakeholders. Screening tools, such as the ones developed by NICE, may help raise awareness to the possibility of elder abuse.
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 | 0,003 | 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 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 ».