Child abuse prevalence estimates in Canada; comparisons of nationally representative data from 2012 to 2022: a population-based study
Notice bibliographique
Résumé
Background: Up-to-date nationally representative Canadian statistics on child abuse with a focus on sex, sexual identity, and age cohorts are overdue. The objective of the current study was to examine child abuse prevalence estimates (physical abuse, sexual abuse, exposure to intimate partner violence (EIPV), and any child abuse) among adult Canadians, associations with sex (male or female), sexual identity (heterosexual, lesbian or gay, bisexual, or other), and age cohort, and to compare data from 2022 with 2012. Methods: Data were obtained from two Statistics Canada cross-sectional surveys: 1) the 2012 Canadian Community Health Survey-Mental Health (2012 CCHS-MH; n = 23,395; 18+ years) and 2) the 2022 Mental Health and Access to Care (2022 MHACS; n = 9409; 18+ years). Findings: The prevalence of any child abuse in Canada in 2022 was 34.4%, which was significantly higher compared to 2012 (32.1%; p = 0.006). Among the youngest respondents (18-27 years), the prevalence of any child abuse had also increased from 21.7% in 2012 to 26.8% in 2022 (p = 0.002). Sex and age cohort differences were noted. In addition, those identifying as other than heterosexual generally had increased odds of child abuse experiences (Adjusted Odds Ratios ranging from 1.48 to 3.12). Interpretation: The retrospective self-reported prevalence in 2022 was 2.3 percentage points higher compared to 2012. There continues to be a widespread need to develop approaches focusing on child abuse prevention and response, and to ensure that providers receive training in how to recognize and respond safely to family violence, including child abuse. Funding: Canadian Institutes of Health Research and Canada Research Chair.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 ».