L'abus financier chez les aînés québécois : une perspective des intervenants
Notice bibliographique
Résumé
Avec le vieillissement de la population, les prévisions suggèrent que la maltraitance faite aux aînés va augmenter considérablement. Selon les dernières études sur la prévalence de tous les types de maltraitance, la maltraitance financière est le type le plus souvent rapporté par les aînés québécois. Ce mémoire a comme objectif d’interroger plusieurs types d’intervenants qui rencontrent des personnes âgées dans le cadre de leur travail afin d’identifier les facteurs qui influencent leur susceptibilité de vivre l’abus financier. Ces facteurs se divisent en trois types : les facteurs de vulnérabilité, les facteurs de risque et les facteurs de protection. Les facteurs de vulnérabilité étudiés dans cette recherche sont les troubles de santé cognitive et physique, le genre féminin et la confiance envers les autres. Les facteurs de risques sont les tensions familiales, l’isolement et l’utilisation d’outils d’aide à la gestion des finances personnelles, c’est-à-dire les procurations et les comptes conjoints. Puis, les facteurs de protection sont la littératie financière et le support des intervenants. Les résultats obtenus dans cette recherche montrent que bien que les facteurs de vulnérabilité et de risque soient connus depuis longtemps, les aînés sont toujours à la merci des abuseurs qui profitent de leur vulnérabilité. La vision des intervenants permet cependant de comprendre comment ces facteurs ont un impact dans la vie des victimes. Quant aux facteurs de protection, les intervenants confirment le bas niveau de littératie financière de nombreux aînés et mettent en lumière leurs multiples rôles au sein de leur clientèle âgée pour les protéger de l’abus financier. Un enjeu particulièrement important selon les intervenants est la non-dénonciation des abus financiers. Le travail d’équipe entre tous les types d’intervenants et un support accru des institutions financières dans la découverte des abus financiers sont des pistes pour mieux protéger les aînés des situations de maltraitance financière.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,002 |
| Communication savante | 0,003 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».