Comprendre la maltraitance des aînés en pratique familiale
Bibliographic record
Abstract
OBJECTIF: Présenter ce qui constitue la maltraitance des aînés, ce dont les médecins de famille devraient être au courant, les signes et les symptômes laissant présager de mauvais traitements chez des adultes plus âgés, comment l’outil Elder Abuse Suspicion Index peut aider à détecter la maltraitance et les options qui existent pour réagir en cas de soupçons de maltraitance. SOURCES DES DONNÉES: On a fait une recension dans MEDLINE, PsycINFO et Social Work Abstracts pour trouver des publications en français ou en anglais, de 1970 à 2011, à 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 aînés est une cause importante de morbidité et de mortalité chez les adultes plus âgés. Si les médecins de famille sont bien placés pour détecter des mauvais traitements infligés aux aînés, leurs taux réels de signalement de cas de maltraitance sont plus faibles que dans d’autres professions. Cette situation pourrait s’améliorer s’ils comprenaient mieux les genres d’agissements qui constituent de la maltraitance des aînés, ainsi que les signes et les symptômes observés au bureau qui pourraient pointer vers des cas de mauvais traitements. La détection de tels cas pourrait être facilitée par le recours à un court outil validé, comme l’Elder Abuse Suspicion Index. CONCLUSION: Les médecins de famille peuvent jouer un rôle plus important dans la détection d’une éventuelle maltraitance des aînés. Une fois qu’on soupçonne de mauvais traitements, il existe dans la plupart des communautés des services sociaux ou des forces de l’ordre accessibles pour effectuer des évaluations 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 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 | 0.004 | 0.023 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.005 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.002 | 0.003 |
| Open science | 0.000 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.010 | 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 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".