Predictors of poor conditions in the home
Notice bibliographique
Résumé
Despite popular media portraying hoarding to be a problem of extremely poor housekeeping, most hoarded homes are relatively clean – large amounts of stuff just prevent the home from being functional. Some hoarded homes, however, develop poor living conditions like filth or disrepair. To date, little is known about how homes end up this way. The current study identified unique predictors and generated ideas about complex processes involved in the development of poor living conditions in hoarding. Three community agencies shared in-home assessment data for mainly involuntary clients with problematic living conditions, such as hoarded or filthy homes. These community agencies were the Metropolitan Boston Housing Partnership (n=115) in Boston, MA, the Hoarding Action Response Team (n=137) in Vancouver, BC, and the Hamilton Gatekeepers Program (n=209) in Hamilton, ON. Each site completed in-home assessments from 2010-2014 to evaluate client characteristics (lack of insight, social isolation, state of mind) and conditions of the home (number of pets, clutter accumulation, unusable bathrooms or kitchens) using the HOMES: Multidisciplinary Hoarding Risk Assessment, the Clutter Image Rating Scale, or a similar measure. Site-specific regression analyses identified unique predictors of poor living conditions. Clients with high clutter accumulation were at increased risk for squalor at all three sites, while kitchen or bathroom problems uniquely predicted squalor at two sites. Within two agencies, number of pets was also a consistent predictor of one indicator of squalor, the presence of urine or feces. Few clients had household disrepair (9-12% within sites), but findings hint that disrepair is associated with high clutter accumulation. Findings related to poor insight being a predictor of squalor were mixed. This is the first study to directly examine poor living conditions in hoarding. Replicated study findings across sites suggest that common features of hoarding, such as clutter accumulation and unusable rooms, are unique predictors for squalor. Results from this study can help community agencies that deal with problematic living situations prioritize intervention goals, especially if staff believe clients are at risk for poor living conditions.
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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| 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) | 0,006 | 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 ».