IDENTIFYING AND PREVENTING RESIDENT-TO-RESIDENT AGGRESSION IN LONG-TERM CARE: EMERGING GLOBAL PERSPECTIVES
Notice bibliographique
Résumé
Abstract Resident-to-resident aggression (RRA) is a widespread form of mistreatment in long-term care facilities, affecting 1 in 5 residents every month. Despite its high frequency and adverse consequences for residents, staff, and family members, RRA remains under-recognized and insufficiently studied. Several reasons exist for this, including challenges in obtaining high-quality data to inform evidence-based prevention and intervention strategies. Improved understanding of RRA aligns with recent national policy imperatives to increase nursing home safety and quality of care. To accelerate knowledge-to-practice translation, this symposium highlights expertise from North America and Asia to review the latest evidence and experiences that characterize and improve RRA. Dr. E-Shien Chang will identify the role of racial and ethnic conflicts in RRA using data from the largest RRA prevalence cohort study of U.S. nursing home residents. Dr. Elsie Yan will examine resident and environment risk factors of RRA in Hong Kong, illustrating the needs for improved dementia care training among direct care workers. Dr. David Burnes will discuss barriers, successes, and lessons learned in replicating and adapting a gold standard U.S. based RRA prevalence study in the unique context of Canada. Dr. Karl Pillemer will describe a novel dissemination model to expand program reach of Improving Resident Relationships in Long Term Care (IRRL), an evidence-based RRA intervention program. Finally, Dr. Laura Mosqueda, as policy expert of long-term care services and discussant, will moderate a discussion on translating RRA research to practice and policy changes within the global contexts of long-term care. This is a collaborative symposium between the Abuse, Neglect and Exploitation of Older Persons and Research in Quality of Care Interest Groups.
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 | 0,012 | 0,016 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,003 |
| Communication savante | 0,005 | 0,006 |
| Science ouverte | 0,002 | 0,004 |
| Intégrité de la recherche | 0,005 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 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 ».