A Systematic Review: Risk and Protective Factors of Elder Abuse for Community-Dwelling Racial Minorities
Notice bibliographique
Résumé
Elder abuse is related to numerous adverse health and mental health conditions in older adults and some studies indicated higher rates of elder abuse in ethnic and racial minority populations than non-Hispanic Whites. This current study aims to summarize the risk and protective factors associated with elder abuse in community-dwelling racial minorities. A systematic review was conducted following Preferred reporting items for systematic review and meta-analysis (PRISMA) guidelines. AgeLine, Medline, PsycINFO, and CINAHL were searched without limitation on time periods of publication. Two authors independently screened the search results and assessed the eligibility and quality of the retrieved articles. A total of 718 articles were screened and 25 articles were included in the review. The 25 included studies' publication dates range from 1989 to 2019. Five racial categories were generated: African Americans, Asian Americans, Native Americans, Hispanic Americans, and racial minorities in Canada. Risk and protective factors of elder abuse and its subtypes (e.g., physical and psychological abuse) for these racial groups were summarized. There are some common risk factors across racial minorities, such as dependence on caregivers and health issues. The review identified gaps and conflicting findings regarding culture and education that are worthy of further investigation. In particular, there is a lack of current research on elder abuse in racial minority older women, race minority subgroups, and protective factors of elder abuse. The results guide helping professionals to consider the role of traditional culture and identify warning signs of potential abuse among racial minority older adults.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».