MétaCan
Menu
Retour à la cohorte
Enregistrement W2734042008 · doi:10.1093/geroni/igx004.4623

GOAL ATTAINMENT SCALING: MEASURING CHANGE IN APS ELDER ABUSE INTERVENTION

2017· article· en· W2734042008 sur OpenAlexaff
David Burnes, Mark S. Lachs

Notice bibliographique

RevueInnovation in Aging · 2017
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueElder Abuse and Neglect
Établissements canadiensUniversity of Toronto
Organismes subventionnairesnon disponible
Mots-clésGoal Attainment ScalingIntervention (counseling)PsychologyPresentation (obstetrics)Scale (ratio)Applied psychologyMedicinePsychiatry

Résumé

récupéré en direct d'OpenAlex

Adult protective services (APS) involvement with elder abuse cases carries the primary objective to reduce risk of re-victimization. Knowledge of effective APS intervention in elder abuse cases is scant. Intervention research is constrained by an absence of outcome measures that can assess change on re-victimization risk status over the course of intervention. Re-victimization risk is difficult to measure due to its multifarious/heterogeneous nature across cases. This presentation will present findings from a prospective study with the State of Maine APS to examine the feasibility of goal attainment scaling (GAS). GAS is a client-centered measure of client change that accommodates case heterogeneity. Based on qualitative interviews with APS caseworkers/management, we will present themes of GAS implementation challenges, feasibility, and best practices. We will also present caseworker focus group findings on constructing a menu of pre-worded GAS scales, which span several areas of risk including living arrangement, safety planning, and social support/engagement.

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)0,002
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 enseignants0,199
Score d'incertitude au seuil1,000

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0020,000
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 savante0,0000,001
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 Opus0,107
Tête enseignante GPT0,386
Écart entre enseignants0,279 · 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

Citations0
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInnovation in AgingMême sujetElder Abuse and NeglectTravaux en français237 207