EXISTING STRATEGIES FOR ELECTRONIC DATA COLLECTION BY ELDER ABUSE MULTI-DISCIPLINARY TEAMS
Notice bibliographique
Résumé
Abstract Elder abuse cases often require integrated responses from social services, medicine, civil legal, and criminal justice. Multi-disciplinary teams (MDTs), which meet periodically to discuss and coordinate interventions for complex cases, have developed in many communities. Little is known about how these MDTs collect case-level data. Our objective was to describe existing strategies of case-level electronic data collection conducted by MDTs across the United States as a preliminary step in developing a comprehensive database strategy. To identify MDTs currently collecting data electronically, we used a snowball sampling approach discussing with national leaders. We also sent an e-mail to the National Center for Elder Abuse listserv inviting participation. We identified and reviewed 11 databases from MDTs. Strategies for and comprehensiveness of data collection varied widely. Databases used ranged from a simple spreadsheet to a customized Microsoft Access database to large databases designed and managed by a third-party vendor. Total data fields collected ranged from 12-338. Types of data included intake/baseline case/client information, case tracking/follow-up, and case closure/outcomes. Information tracked by many MDTs, such as type of mistreatment, was not captured in a single standard fashion. Documentation about data entry processes varied from absent to detailed. We concluded that MDTs currently use widely varied strategies to track data electronically and are not capturing data in a standardized fashion. Many MDTs collect only minimal data. Based on this, we have developed recommendations for a minimum data set and optimal data structure. If widely adopted, this would potentially improve ability to conduct large-scale comparative research.
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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».