Anticipatory concerns about violence within social networks: Prevalence and implications for prevention
Notice bibliographique
Résumé
Most research on exposure to violence focuses on direct victimization, offending, or witnessed violence, yet many people also experience concerns about potential violence in their environments and social networks. Using a state-representative survey of California adults (n = 2870) administered in July 2020, we estimate the prevalence of anticipatory concerns about violence within respondents' social networks and describe characteristics of the persons at perceived risk of violence, reasons for respondents' concerns, and actions undertaken by respondents to reduce that risk. Approximately 1 in 5 respondents knew at least one person, usually a friend or extended family member, whom they perceived to be at risk of other- or self-directed violence. Among respondents living with the person at perceived risk, about one-quarter reported household firearm ownership. Alcohol and substance misuse and a history of violence were among respondents' top reasons for concern; serious mental illness and firearm access also contributed to concerns. About one-quarter of respondents with such concerns said harm was likely or very likely to occur in the next year. Most respondents reported having taken action to reduce the risk of violence, including providing resources and asking family or friends to help; few acted to reduce access to lethal means. The most common reasons for inaction were the perception that a dangerous situation was unlikely and that it was a personal matter. Our findings can help inform a broader understanding of exposure to violence and interventions that leverage the knowledge of those close to persons at risk to prevent violence.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| 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 ».