Incarcerated population in India: how many are dying? How are they dying?
Notice bibliographique
Résumé
Purpose This study aims to examine sociodemographic characteristics, levels and patterns of mortality experiences amongst Indian prisoners over the past two decades (1998–2018). Design/methodology/approach This study used prison statistics in India to analyze occupancy rate, percentage distribution, annual/decadal change, male–to–female ratios, prison mortality rate and causes of natural/unnatural deaths. Findings During 1998–2018, prisons in India grew by 18% and prisoners by 69%, leading to overcrowded jails. Males outnumbered female prisoners. Seventy percent of prisoners had an educational attainment level lower than 10th grade. In 2018, over 14 per 1,000 prisoners suffered from a mental illness and 384 per 100,000 died. Unnatural deaths accounted for 8%–11% of all prisoner deaths; 84% were by suicide. Illness accounted for 95% of all natural deaths in 2018; one–quarter was due to heart diseases. Research limitations/implications The study did not establish an association between sociodemographic characteristics with mental illness and mortality due to the non-availability of data. Social implications The pattern of a deteriorating living environment, rise in mental illnesses and mortality among Indian prisoners calls for immediate action from the authorities to protect them. Almost all unnatural deaths were by suicide (mostly by hanging). This detailed study would help authorities to take corrective measures for prisoner safety and well-being. There is also a need to develop a scientific database for this population. Originality/value To the best of the authors’ knowledge, this is the first study to examine morbidity and mortality experiences of the prisoner population using national statistics.
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 | 0,001 |
| 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 | 0,000 | 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 ».