MétaCan
Menu
Retour à la cohorte
Enregistrement W2731480933 · doi:10.1093/geroni/igx004.2607

CHALLENGES AND OPPORTUNITIES OF USING SURVEILLANCE TECHNOLOGIES IN RESIDENTIAL CARE

2017· article· en· W2731480933 sur OpenAlexaboutno aff
Ryan Woolrych

Notice bibliographique

RevueInnovation in Aging · 2017
Typearticle
Langueen
DomaineHealth Professions
ThématiqueGeriatric Care and Nursing Homes
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésAutonomyLong-term careUnintended consequencesObservational studyIntervention (counseling)Assisted livingInternet privacyAging in placeAffect (linguistics)NursingMedicinePublic relationsPsychologyBusinessGerontologyComputer sciencePolitical science

Résumé

récupéré en direct d'OpenAlex

Surveillance technologies are becoming an increasingly pervasive tool for monitoring older adults in long-term care. A number of these technologies have been designed to support independence and well-being through monitoring everyday lifestyles and behaviours. However, in acting as an observational tool, concerns have been raised about how these technologies may impact privacy and autonomy, and affect care delivery. This study reports on qualitative research conducted in a long-term care home in Vancouver, Canada where video surveillance cameras were deployed to observe the behaviours of older adults in long-term care. The findings identify some of the potential benefits of surveillance (as an intervention and care management tool) alongside challenges and unintended consequences (on resident behaviour and care relationships). Understanding the consequences of surveillance technologies is important in order to better assess their efficacy in formal care settings.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,229
Score d'incertitude au seuil0,225

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,218
Tête enseignante GPT0,439
Écart entre enseignants0,221 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations2
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInnovation in AgingMême sujetGeriatric Care and Nursing HomesTravaux en français237 207