A Longitudinal Evaluation of Restraint Reduction within a Multi-site, Multi-model Canadian Continuing Care Organization
Bibliographic record
Abstract
RÉSUMÉ Bien que la documentation américaine sur la réduction de l'usage des moyens de contention soit relativement importante, les travaux de recherche publiés sur cette même question sont moins nombreux sur les pensionnaires d'un établissement canadien de soins de longue durée. Les statistiques des plus importants établissements de ce type financés et exploités au Canada ont mis au jour des attitudes révélatrices envers les moyens mécaniques de contention. Durant les quatre années d'une étude comportant une campagne visant à réduire l'utilisation de moyens mécaniques de contention, la prévalence organisationnelle est passée de 24,68 % à 16,01 %. Il existait une variabilité substantielle en matière de contention parmi les 11 centres de l'organisation (échelle de 0 à 39,86 % des pensionnaires faisant l'objet de contention) et tous sauf un ont pu réduire la contention mécanique. Des facilitateurs particuliers à la réalisation et au maintien de la réduction de la contention sont indiqués, notamment les établissements de petite taille, la fourniture de soins spécialisés (par ex., maladie d'Alzheimer), et un «champion» résidant sur place. Des obstacles particuliers, comme la grande taille d'un établissement et un champion résidant à l'extérieur font aussi l'objet de discussion.
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 | 0.007 | 0.014 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.003 |
| Science and technology studies | 0.005 | 0.001 |
| Scholarly communication | 0.001 | 0.001 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.002 | 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".