Child abuse-related homicides precipitated by caregiver use of harsh physical punishment
Notice bibliographique
Résumé
BACKGROUND: Physical punishment (PP), which may involve the use of physical force, has been linked to negative effects in children and can escalate to abusive or harsh PP, resulting in injury or death. OBJECTIVE: To examine characteristics associated with fatal abuse involving caregiver use of harsh PP. METHODS: Data were from the National Violent Death Reporting System in 40 states, the District of Columbia, and Puerto Rico for years 2012-2018. Qualitative analysis was used to code textual material into categorial data, and logistic regression was used to examine associations between various characteristics and harsh PP. RESULTS: Approximately 4 % (n = 87) of the 2414 abuse-related homicides were known to have been precipitated by caregiver use of harsh PP. In adjusted models, homicides had greater odds of being harsh PP-related when incidents involved mothers' male companions (versus fathers), victims had a previous nonfatal injury (versus no previous nonfatal injury), and another adult participated in the fatal incident or had awareness of prior abuse/neglect (versus those without this characteristic). Two common precipitators of caregivers' use of harsh PP were: 1) child had a bathroom-related accident/soiled clothes (23.0 %; n = 20), and 2) child disobeyed a directive given by the perpetrator (17.2 %; n = 15). CONCLUSIONS: This study highlights characteristics associated with fatal abuse precipitated by caregiver use of harsh PP. Children were physically punished for developmentally normative behaviors. Ensuring caregivers are aware of and use effective parenting practices that focus on use of nonphysical discipline and promote healthy child development, may help decrease harsh PP and physical abuse-related homicides among children.
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) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».