Identifying and responding to child maltreatment when delivering family‐based treatment—A qualitative study
Notice bibliographique
Résumé
INTRODUCTION: This study describes practitioner strategies, perceptions, experiences with identifying and responding to child emotional abuse (CEA) and child exposure to intimate partner violence (CEIPV) when providing Family-Based Treatment (FBT) to children and adolescents with eating disorders. METHOD: Using qualitative interpretive description, this study recruited a purposeful sample of practitioners (N = 30, 90% female) implementing FBT for adolescent eating disorders. Semi-structured interviews focused on eliciting their perspectives regarding identifying and responding to CEA and CEIPV in practice. Interviews were conducted over the phone, were audio recorded, transcribed verbatim, and coded using conventional content analysis. Interim member checking, the thoughtful clinician test, and coding memos were used to ensure the integrity of the analysis. RESULTS: Participants were 31-57 years old and practicing FBT in five countries. Three data patterns emerged: (a) perceptions of child maltreatment prevalence and identification; (b) complicating factors; and finally (c) strategies to support family-based work. Practitioners described important considerations for CEA and CEIPV identification, as well as possible FBT adaptations that can support the safety of children and adolescents while simultaneously ensuring the treatment of the eating disorder. CONCLUSIONS: Practitioners describe a need for additional training to identify and respond to CEA and CEIPV within FBT and within practice more broadly. There is a need for trials that detail the appropriateness and efficacy of FBT for patients experiencing CEA and/or CEIPV.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 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 ».