A multilevel analysis of risk and protective factors for Canadian youth injured or killed by interpersonal violence
Notice bibliographique
Résumé
PURPOSE: The study's purpose was to determine individual-level and neighbourhood-level risk and protective factors for severe intentional injury among youth. METHODS: We conducted a multilevel case-control study using registry data to determine individual-level and neighbourhood-level social determinants associated with severe violent injury/homicide among youth from Winnipeg, Manitoba. RESULTS: The study includes 13 206 youth, aged 12-24 years (1222 cases, 11 984 controls). Individual-level risk predictors of being a victim of violence were male sex (OR 5.72 (95% CI 4.77 to 6.86)) and First Nations (OR 2.76 (95% CI 2.32 to 3.29)). Education was inversely associated with victimisation for individuals under (OR 0.36 (95% CI 0.26 to 0.51)) and over (OR 0.58 (95% CI 0.49 to 0.69)) 18 years. Ever having been in protective care (OR 1.66 (95% CI 1.39 to 1.99)), receiving income assistance from the government (OR 1.26 (95% CI 1.05 to 1.51)) or ever having criminal charges (OR 4.76 (95% CI 4.08 to 5.56)) were also significant predictors of being a victim of violence. Neighbourhood-level risk factors for victimisation included low socioeconomic status (OR 1.14 (95% CI 1.04 to 1.25)) and high levels of assault (OR 1.07 (95% CI 1.04 to 1.10)). CONCLUSIONS: This study demonstrates a complex web of risk and protective factors among youth injured by violence. It underscores the ongoing, injurious effects of historical trauma experienced by many Canadian First Nations people. Strong victim-perpetrator overlap suggests that intersectoral policies are needed to address these issues. Our findings highlight the need to improve education and family supports.
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 | 0,001 | 0,002 |
| 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».