Identification et gestion de la violence en psychiatrie : perceptions du personnel infirmier et des patients en matière de sécurité et dangerosité
Bibliographic record
Abstract
Cet article présente les résultats obtenus dans le cadre d’une recherche portant sur l’identification et la gestion de la violence sur une unité psychiatrique et à l’urgence psychiatrique d’un hôpital québécois. Cette étude exploratoire et descriptive visait à examiner les perceptions et les stratégies de prévention et de gestion du personnel infirmier et des patients vis-à-vis de l’agressivité et de la violence manifestées par des patients. Les résultats indiquent que le type de milieu influence la manière dont sont perçues et prises en charge les problématiques liées aux comportements agressifs. Les types de comportements jugés agressifs ou à risque diffèrent également d’une unité à l’autre. Par ailleurs, tant les patients que le personnel soignant sont décrits par tous les participants comme étant susceptibles de se comporter de manière violente et de subir les contrecoups de la violence. La prévention de l’agression et de la violence demeure un défi de taille en soins infirmiers psychiatriques, où se mêlent contraintes administratives et environnementales, complexification des cas cliniques, divergences interprofessionnelles et sentiments collectifs d’appréhension et de vulnérabilité.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.003 | 0.008 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.003 |
| Scholarly communication | 0.002 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.005 | 0.000 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".