How far do they go?: A spatial examination of missing persons from hospitals
Notice bibliographique
Résumé
Purpose Missing person cases are a global issue impacting policing. Among these, those who abscond from hospitals are especially concerning because these reports require collaboration across services, often strain already limited police and hospital resources and present an elevated level of possible harm due to high prevalence of mental illness, disability and/or addiction. Despite this, to-date, there has been a lack of scholarly attention on this phenomenon from a policing perspective. The present study aims to fill this gap by exploring how far missing hospital patients travel and where they are commonly found. Design/methodology/approach Using a sample of 731 closed case files (2014–2018) from one police service, we identify spatial behaviour patterns specific to this group of missing persons. Findings Results suggest that most do not leave the hospital grounds or stay within a 5-km radius. Others were found close to the hospital, within city limits and/or returned of their own volition. By identifying these spatial behaviour patterns associated with missing hospital patients, police can refine probable search areas, allocate resources more efficiently, find the missing faster and develop better-informed responses and collaborative policies. Originality/value Our research represents the first empirical investigation into missing persons from hospital settings through a spatial perspective. Through descriptive statistical and spatial analyses, we determine the distance between the hospital a given individual was reported missing from and the location of where they were ultimately found.
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 | 0,000 | 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 ».