Sexual violence in older adults: a Belgian prevalence study
Notice bibliographique
Résumé
BACKGROUND: Sexual violence (SV) is an important public health problem which may cause long-lasting health problems. SV in older adults remains neglected in research, policies and practices. Valid SV prevalence estimates and associated risk factors in older adults are currently unavailable. In this study we measured lifetime and past 12-months sexual victimisation in older adults living in Belgium, its correlates, assailant characteristics and the way that victims framed their SV experiences. METHODS: SV was measured using behaviourally specific questions based on a broad definition of SV. Participants were selected via a cluster random probability sampling with a random route finding approach. Information on sexual victimisation, correlates, assailant characteristics and framing was collected via structured face-to-face interviews with adults aged 70 years and older living in Belgium (community-dwelling, assisted living and nursing homes). RESULTS: Among the 513 participants, the lifetime SV prevalence was 44% (55% F, 29% M). Past 12-months prevalence was 8% (9% F, 8% M). Female sex and a higher number of sexual partners were associated with lifetime SV (p < .05), non-heterosexual sexual orientation with past 12-months SV (p < .05). Correlates identified to be linked to elder abuse and neglect in previous studies were not linked with SV in our sample. 'Someone unknown' was identified as most common assailant. CONCLUSIONS: Sexual victimisation appears to be common in older adults in Belgium. Both correlates and assailant characteristics seem to differ from previous studies on elder abuse and neglect. Recognizing older adults as a risk group for sexual victimisation in research, policies and practices is of the utmost importance.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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 ».