SURVEILLANCE TECHNOLOGIES IN LONG-TERM CARE: A BLIND SPOT FOR GERONTOLOGISTS?
Notice bibliographique
Résumé
The commercial visibility of technological devices that monitor in the name of care has exploded with the expansion of internet-connected home surveillance products. Cameras that are popular for pet or child monitoring are now accessible for a variety of purposes in elder care. In multiple countries, public interest in the use of surveillance cameras in nursing home resident rooms is renewed periodically when major news outlets highlight a case of abuse captured by a hidden camera. Whether initiated by facilities or family members, camera use is at once a complex practice, policy, and ethical issue. Neither facility staff nor the resident who is placed under surveillance is likely to be a decision-maker when the question of camera use comes up in long-term care facilities. Policy makers, facilities, and family members thus carry a heavy responsibility to understand the nuances and consider all consequences of camera use in older adults’ living spaces. In this symposium, gerontologists from Canada, Scotland, and the U.S. will present findings from their research on camera use in nursing homes, assisted living communities, and private homes. Drawing on research in long-term care facilities, we will consider how cameras are used in practice by facilities to monitor the behavior of residents and care workers. The experiential complexities of living with surveillance technologies at home will be described along with ethical implications. We will then present a legal analysis of U.S. state nursing home electronic monitoring laws to examine how these laws balance multiple stakeholders’ vulnerabilities.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».