Associations between small-area sociodemographic characteristics and intimate partner violence in Montréal, Québec
Notice bibliographique
Résumé
Background: Intimate partner violence (IPV) affects many individuals and can have a significant impact on their health and well-being. In order to inform prevention strategies, several studies have focused on the determinants of IPV. However, knowledge on the association between neighbourhood characteristics and IPV remains scarce. The social disorganization theory posits that certain neighbourhood characteristics are associated with violent behaviours. This theory has been used to explain spatial variations in IPV, but most studies have been conducted in the United States. Little is known about the effect of neighbourhood factors in urban contexts outside of the United States. Design and methods: Using police data from 2016 and 2017, this study estimated the association between sociodemographic characteristics of neighbourhoods (socioeconomic status, single-parenthood, residential instability and ethnocultural heterogeneity) and IPV victimization in Montréal, Québec. Results: Results suggest a neighbourhood-level variation in IPV, and that neighbourhood-level characteristics are associated with IPV victimization. Specifically, the likelihood of IPV is higher in neighbourhoods with the lowest SES level (OR = 2.80, 95%CI: 2.47–3.17, p < 0.001) and the lowest level of residential instability (OR = 0.81, 95%CI: 0.70–0.93, p = 0.003) as well as the highest proportion of single-parent households (OR = 1.88, 95%CI: 1.65–2.15, p < 0.001). Conclusion: Although neighbourhood-level interventions to reduce IPV are rare, our results highlight the importance of developing such preventive strategies. Prevention programs targeting high-risk neighbourhoods may prove effective in reducing IPV.
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 | 0,035 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».