Issue 1: Explaining the Economic Disparity Gap in the Rate of Substantiated Child Maltreatment in Canada
Notice bibliographique
Résumé
Children from families living in conditions of economic hardship are at five times greater risk of substantiated harm of child abuse and neglect compared to their upper socioeconomic counterparts in the United States. This difference in risk across economic groups is referred to as the economic disparity gap in child maltreatment. Little is known about how the economic disparity gap functions in Canada. The purpose of this study is to understand the prevalence of economic hardship in the child welfare system and explain the economic disparity gap. We used the Canadian Incidence Study of Reported Child Abuse and Neglect, 2008 (CIS-2008) that collected worker reported data on investigations (n = 15,980) from 112 Canadian child welfare sites. In 2008, economic hardship was noted as a concern for 13% of all families investigated. The rate of maltreatment substantiation was greater for children in families with economic hardship (80%) compared to children without economic hardship (51%). The unadjusted risk ratio (RR) for substantiated maltreatment was 1.49 (reference group = children not experiencing economic hardship), CI [1.46 – 1.52]; regression-adjusted RR was 1.21, CI [1.16 – 1.24]. Of the 29-percentage point economic disparity gap in substantiated maltreatment, decomposition analysis showed that 69% (i.e., equivalent to 20 percentage points) was explained by differences in covariates. Caregiver risk factors such as substance use, mental health, and social/historical factors such as having been a victim of domestic violence or past placement in foster care, accounted for most of that difference. Closing the large economic disparity gap requires new interdisciplinary policies and programs.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| 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 ».