IMPLEMENTATION MODELS FOR FOLLOWING UP AFTER A DEMENTIA-RELATED MISSING INCIDENT
Notice bibliographique
Résumé
Abstract The rate of persons living with dementia who go missing is a growing concern, especially those who go missing repeatedly. Drawing upon the practices of other populations such as at-risk youth, following up with persons living with dementia and their supports after an incident could reveal contributing factors and also connect people with supports to mitigate the risk for going missing again. In Canada, models for such follow-ups are limited. The purpose of this presentation is to describe two implementation models for following up with persons living with dementia and their care partners after a missing incident has occurred. We conducted 20 individual semi-structured online interviews with police and service providers in Canada and the United Kingdom to understand the scope of and approaches to following up with this population. Generic qualitative description and conventional content analysis were used. We developed a resource guide that describes these approaches and proposes how follow-ups could be consistently employed. Two focus groups with police officers and community service providers (n= 11) were conducted to obtain feedback on the guide. We are now working with community partners in two Canadian provinces to develop implementation models unique to their existing processes, resources, and systems; these models put into practice approaches in the resource guide. Our presentation will showcase the guide and the models developed in collaboration with our partners. These models can guide police organizations, Alzheimer Societies, and communities who support persons living with dementia at risk of going missing.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,048 | 0,050 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,006 | 0,004 |
| Communication savante | 0,006 | 0,004 |
| Science ouverte | 0,005 | 0,006 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».