MétaCan
Menu
Retour à la cohorte
Enregistrement W4362038804 · doi:10.1093/geront/gnad036

The Changing Demography of Late-Life Family Caregiving: A Research Agenda to Understand Future Care Networks for an Aging U.S. Population

2023· article· en· W4362038804 sur OpenAlexaff
Vicki A. Freedman, Emily M. Agree, Judith A. Seltzer, Kira S. Birditt, Karen L. Fingerman, Esther M. Friedman, I‐Fen Lin, Rachel Margolis, Sung S. Park, Sarah Patterson, Courtney A. Polenick, Corinne Reczek, Adriana Reyes, Yulya Truskinovsky, Emily Wiemers, Huijing Wu, Douglas A. Wolf, Jennifer L. Wolff, Steven H. Zarit

Notice bibliographique

RevueThe Gerontologist · 2023
Typearticle
Langueen
DomaineSocial Sciences
ThématiqueIntergenerational Family Dynamics and Caregiving
Établissements canadiensWestern University
Organismes subventionnairesJohns Hopkins Bloomberg School of Public HealthNational Institute on AgingNational Institutes of HealthMichigan Center on the Demography of Aging, University of MichiganJohns Hopkins University
Mots-clésGerontologyContext (archaeology)PopulationPopulation ageingSet (abstract data type)Order (exchange)PsychologySociologyBusinessMedicineGeographyDemographyComputer science

Résumé

récupéré en direct d'OpenAlex

Repeated claims that a dwindling supply of potential caregivers is creating a crisis in care for the U.S. aging population have not been well-grounded in empirical research. Concerns about the supply of family care do not adequately recognize factors that may modify the availability and willingness of family and friends to provide care to older persons in need of assistance or the increasing heterogeneity of the older population. In this paper, we set forth a framework that places family caregiving in the context of older adults' care needs, the alternatives available to them, and the outcomes of that care. We focus on care networks, rather than individuals, and discuss the demographic and social changes that may alter the formation of care networks in the future. Last, we identify research areas to prioritize in order to better support planning efforts to care for the aging U.S. population.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,005
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Synthèse · Signal consensuel: aucune
Score de désaccord entre enseignants0,040
Score d'incertitude au seuil0,080

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0010,005
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0020,002
Communication savante0,0020,008
Science ouverte0,0010,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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.

Tête enseignante Opus0,113
Tête enseignante GPT0,402
Écart entre enseignants0,289 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreSynthèse

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations61
Publié2023
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueThe GerontologistMême sujetIntergenerational Family Dynamics and CaregivingTravaux en français237 207