Risk factors for elder abuse severity: findings from the Canadian longitudinal study on aging
Notice bibliographique
Résumé
Abstract Background and Objectives Elder abuse (EA) conceptualizations are evolving from conventional binary understandings toward a severity lens that more accurately captures the spectrum of victim experiences and complexity of EA intervention. Although momentum behind a focus on severity has grown, our understanding of EA severity risk factors is methodologically limited by studies using clinical convenience samples and/or cross-sectional designs. Informed by the Contextual Theory of Elder Abuse, this article sought to advance the state of science surrounding EA severity risk factors using data from a longitudinal, population-based design and examining factors from several levels of ecological influence. Research Design and Methods Using the Canadian Longitudinal Study on Aging, this study analyzed a sample of EA victims (n = 2,364) reporting past-year emotional/psychological, physical, and/or financial abuse, who completed baseline and follow-up waves of data collection. EA victimization was assessed using validated tools and behaviorally defined items describing specific mistreatment behaviors. Calculation of EA severity for each subtype combined dimensions of behavioral multiplicity (number of mistreatment behaviors) and frequency. Independent change variables were used to confirm the direction of change underlying potential risk factors prior to EA victimization. Multinomial logistic regression was used to identify factors associated with increased levels of EA severity. Results Across subtypes, the most consistent risk factors for heightened EA severity were perpetrator cohabitation and the older adult’s experience of child maltreatment. Other risk factors were identified across physical, psycho-emotional, social, and sociocultural domains. Risk profiles varied across mistreatment subtypes. Discussion and Implications This study represents the most methodologically rigorous examination of EA severity risk conducted to date. Findings will enhance our capacity to identify EA victims in particularly harmful scenarios and inform mechanistically driven interventions designed to reduce the magnitude of the problem, as well as practice decisions related to case prioritization, triaging, and risk assessment.
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 | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,007 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».