DESIGNING AND IMPLEMENTING A RESIDENT-TO-RESIDENT AGGRESSION PREVALENCE STUDY IN A NEW CONTEXT
Notice bibliographique
Résumé
Abstract Resident-to-resident aggression (RRA) is a prevalent issue in long-term care (LTC) settings with serious consequences. Research from the U.S. has found that approximately 20% of residents experience RRA each month and this issue is associated with several physical/mental health morbidities. Very little RRA research has been conducted in LTC settings in Canada. This study sought to estimate the prevalence of RRA in Canadian nursing homes and identify risk factors from different levels of social-ecological influence. Specifically, this study sought to replicate a gold standard RRA prevalence study in the U.S. by selecting a random sample of nursing homes (n = 10) across the province of Ontario and collecting RRA prevalence data using multiple sources/methods, including staff interviews, resident interviews, and direct observation from staff and research assistants. As this study is in early stages of design/implementation, the current presentation will focus on various issues requiring consideration and the challenges faced when setting up a large-scale RRA prevalence study. Specifically, the presentation will focus on the adaptation of existing measurement tools to a new context with unique local language, legal and legislative frameworks, and the development of a sampling strategy requiring considerations related to sample inclusion/exclusion criteria, temporal and geographical logistical concerns, and sample size. We will also discuss new realities and heightened sensitivities involved in conducting LTC-based research and recruiting nursing homes, residents and staff during the COVID era that includes staffing instabilities/shortages and outbreaks. This presentation will assist other researchers around the world in planning/implementing RRA prevalence study designs.
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 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,000 | 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 ».