Combatting Older Adult Loneliness: It Takes a (Blended) Village
Notice bibliographique
Résumé
Older adults have been thrown into the spotlight of the COVID-19 pandemic and the bright lights have exposed both societies’ admirable and deplorable traits. We have seen stories of heart-warming compassion and deep-rooted ageism. From the appalling #boomerremover hashtag to the calls for mandatory quarantines for those over 70 years of age, public responses to COVID-19 demonstrate the role of age and (dis)ability in amplifying social and spatial inequalities. Although these reactions are unfounded, unethical, and have not received widespread political support, they do highlight the distressing interrelation of several truths: society at large is aging; older adults are at higher risk for developing more serious complications from COVID-19; and the social and physical infrastructure of cities has not been built to support the needs of older adults. In addition to the risks of COVID-19, the confluence of these three realities has potentially exacerbated a second public health crisis: loneliness. And as in the case of COVID-19, older adults are particularly susceptible. In this chapter we examine the relationship between COVID-19, social distance, social isolation, and loneliness with a focus on the older adult experience in urban and suburban environments. In addition to outlining the risks faced by older adults in times of crisis, we explore opportunities to strengthen social bonds while physically distancing through the development of blended communities or virtual retirement villages. Using the experience of the Oakridge Seniors Association in suburban Calgary, we offer targeted recommendations for community leaders and policy makers on how to minimize risk and maximize social cohesion by embracing communication technology while remembering the importance of human interaction. (Chapters Eleven and Twelve also explore the theme of self-organization in the face of the pandemic, but from the perspective of different national contexts and social categories.)
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,008 | 0,005 |
| Communication savante | 0,008 | 0,009 |
| Science ouverte | 0,001 | 0,012 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,009 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».