Extending Motivational Interviewing to the Treatment of Major Mental Health Problems: Current Directions and Evidence
Notice bibliographique
Résumé
Motivational interviewing (MI) was originally developed for the treatment of substance abuse but is rapidly expanding to other major mental health populations beyond addictions. This brief review considers the use of MI and related motivational enhancement therapies (METs) in the treatment of anxiety, depression, and eating disorders, and concurrent psychosis and substance use disorders. MI-MET has been added and (or) integrated into treatment for these problems in a wide variety of ways, most commonly as a pretreatment to other therapies (psychosocial treatments and pharmacotherapy) or integrated into standard assessment procedures. In each problem domain, the bulk of the current evidence supports the value of adding MI to existing therapies in increasing engagement with treatment and in improving clinical outcomes. This is particularly encouraging in that many of the populations included in these investigations represent severe and treatment-recalcitrant populations. However, research on the application of MI to other major mental health problems beyond addictions is in the early stages, with existing studies having numerous limitations (for example, small uncontrolled studies or lack of adequate control groups, and failure to establish both MI treatment integrity and the unique contribution of MI in integrated treatments). In short, the substantial body of promising preliminary findings strongly support the continued investigation of MI and related methods for these populations in well-designed clinical trials that examine not only the additive value of MI but also mechanisms underlying these effects and individual differences (moderators) indicating the need for MI.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».