L’exploitation financière des personnes aînées au Québec : le point de vue des professionnels
Bibliographic record
Abstract
En ce qui a trait à l’exploitation financière des personnes aînées, les recherches scientifiques ont mis de l’avant le rôle important que peuvent jouer, en matière de détection ou de signalement, les professionnels qui travaillent au quotidien auprès des aînés : notaires, comptables, banquiers, travailleurs sociaux, médecins et avocats. Ces professionnels ont la possibilité de jouer un rôle de « sonde » auprès des aînés : à l’affût des signes de leur bien-être, ils sont aussi les mieux placés pour détecter des formes d’exploitation. Cet article présente les résultats préliminaires d’une enquête de terrain qualitative et exploratoire, menée au cours des années 2014 et 2015 auprès d’un échantillon total de 27 professionnels-« sondes », principalement de la région de Québec, enquête qui a permis de faire un bilan de la situation quant à leur volonté et, plus particulièrement, à leur capacité de détecter ou de signaler les situations potentiellement problématiques qu’ils constatent dans le cadre de leurs fonctions quotidiennes. Les résultats de la recherche permettent d’analyser les ressources, les manques et les besoins de ces acteurs, en plus de mettre en lumière l’ensemble des autres stratégies qu’ils déploient en vue de protéger leur clientèle vulnérable, tout en préservant les responsabilités professionnelles qu’ils doivent assumer.
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 | 0.005 | 0.010 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.011 | 0.005 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.008 | 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".