Medical Professional Reports and Child Welfare System Infant Investigations: An Analysis of National Child Abuse and Neglect Data System Data
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Background: Medical professionals are key components of child maltreatment surveillance. Updated estimates of reporting rates by medical professionals are needed. Methods: We use the National Child Abuse and Neglect Data System (2000-2019) to estimate rates of child welfare investigations of infants stemming from medical professional reporting to child welfare agencies. We adjust for missing data and join records to population data to compute race/ethnicity-specific rates of infant exposure to child welfare investigations at the state-year level, including sub-analyses related to pregnant/parenting people's substance use. Results: =731,705) stemmed from medical professionals' reports. Population-adjusted rates of these investigations stemming doubled between 2010 and 2019 (13.1-27.1 per 1000 infants). Rates of investigations stemming from medical professionals' reports increased faster than did rates for other mandated reporters, such as teachers and police, whose reporting remained relatively stable. In 2019, child welfare investigated ∼1 in 18 Black (5.4%), 1 in 31 Indigenous (3.2%), and 1 in 41 White infants (2.5%) following medical professionals' reports. Relative increases were similar across racial groups, but absolute increases differed, with 1.3% more of White, 1.7% of Indigenous, and 3.1% of Black infants investigated in 2019 than 2010. Investigations related to substance use comprised ∼35% of these investigations; in some states, this was almost 80%. Discussion: Rates of child welfare investigations of infants stemming from medical professional reports have increased dramatically over the past decade with persistent and notable racial inequities in these investigations.
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.
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 | 0,004 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 découle