DEVELOPING A SCALE TO MEASURE NEGLECT SEVERITY: THE HEALTH-RELATED SEVERITY IN ELDER NEGLECT SCALE
Notice bibliographique
Résumé
Abstract Caregiver neglect in older persons can vary dramatically in severity, with differential impact on an older adult’s health. Assessing severity is critical for research and clinical practice but has received focus until recently. To address this gap, we developed a scale to describe the health-related severity of elder neglect using an expert consensus method. In development, the experts conceptualized severity as: (1) the level of risk that neglectful behaviors would cause morbidity or mortality and (2) related timeframe. Additionally, the experts recommended that the scale identify risk for future neglect. The scale was designed iteratively, and, after finalization, we assessed face and construct validity. The final scale was found to have validity. It has 5 levels: not present, not present / potential risk, present / mild, present / moderate, present / severe. Each level has a description to guide assessment. For example, present / mild is described as: “caregiving behaviors not optimal, with potential to create morbidity, but low concern for immediate danger,” present / moderate is: “caregiving behaviors with significant potential to create morbidity within the next 4 weeks,” and present / severe is “caregiving behaviors creating immediate danger of morbidity or mortality -- insufficient access to shelter, food, medication – with alternative living situation or ED visit / hospitalization recommended.” The description of not present / potential risk is: “though neglect not currently occurring, factors present that raise concern for future neglect risk.” Assessing neglect severity using this scale may improve understanding of the phenomenon and inform intervention.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,016 |
| 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 | 0,000 |
| 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 ».