Characterising risk of homicide in a population-based cohort
Notice bibliographique
Résumé
BACKGROUND: Homicide is an extreme expression of violence that has attracted less attention from public health researchers and policy makers interested in prevention. The purpose of this study was to examine the socioeconomic gradient of homicide and to determine whether risk differs by immigration status. METHODS: We conducted a population-based cohort study using linked vital statistics, census and population data sets that included all deaths by homicide from 1992 to 2012 in Ontario, Canada. We calculated age-adjusted death rates for homicide by material deprivation quintiles, stratified by immigration status. Count-based negative binomial regression models were used to calculate unadjusted and adjusted rate ratios with predictors of interest being age, urban residence, material deprivation and immigration status. A subanalysis containing immigrants only examined the effect of time since immigration and immigration class. RESULTS: There were 3345 homicide deaths registered between 1992 and 2012. Relative to low material deprivation areas, age-adjusted rates of homicide deaths in high materially deprived areas were similar among refugees (RR: 48.49; 95% CI 36.99 to 62.45) and long-term residents (RR: 47.67; 95% CI 44.66 to 50.83), but were slightly lower for non-refugee immigrants (RR: 38.53; 95% CI 32.42 to 45.45). Female refugees experienced a 1.31 (95% CI 0.88 to 1.94) higher rate and male refugees experienced a 1.23 (95% CI 0.90 to 1.67) higher rate of homicide victimisation compared with long-term residents. In an immigrant only analysis, the risk of homicide among refugees increased with duration of residence. CONCLUSIONS: Given the large area-level, socioeconomic status gradients observed in homicides among refugees, community-level and culturally appropriate prevention approaches are important.
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 | 0,034 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».