Comprendre la maltraitance des aînés en pratique familiale
Bibliographic record
Abstract
Resume Objectif Presenter ce qui constitue la maltraitance des aines, ce dont les medecins de famille devraient etre au courant, les signes et les symptomes laissant presager de mauvais traitements chez des adultes plus âges, comment l’outil Elder Abuse Suspicion Index peut aider a detecter la maltraitance et les options qui existent pour reagir en cas de soupcons de maltraitance. Sources des donnees On a fait une recension dans MEDLINE, PsycINFO et Social Work Abstracts pour trouver des publications en francais ou en anglais, de 1970 a 2011, a l’aide des expressions elder abuse, elder neglect, elder mistreatment, seniors, older adults, violence, identification, detection tools et signs and symptoms. Les publications pertinentes ont fait l’objet d’un examen. Message principal La maltraitance des aines est une cause importante de morbidite et de mortalite chez les adultes plus âges. Si les medecins de famille sont bien places pour detecter des mauvais traitements infliges aux aines, leurs taux reels de signalement de cas de maltraitance sont plus faibles que dans d’autres professions. Cette situation pourrait s’ameliorer s’ils comprenaient mieux les genres d’agissements qui constituent de la maltraitance des aines, ainsi que les signes et les symptomes observes au bureau qui pourraient pointer vers des cas de mauvais traitements. La detection de tels cas pourrait etre facilitee par le recours a un court outil valide, comme l’Elder Abuse Suspicion Index. Conclusion Les medecins de famille peuvent jouer un role plus important dans la detection d’une eventuelle maltraitance des aines. Une fois qu’on soupconne de mauvais traitements, il existe dans la plupart des communautes des services sociaux ou des forces de l’ordre accessibles pour effectuer des evaluations plus approfondies et intervenir.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.000 | 0.001 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.001 | 0.000 |
| Research integrity | 0.000 | 0.001 |
| Insufficient payload (model declined to judge) | 0.001 | 0.001 |
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 teacher head, 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".