Continuing Education to Go: Capacity Building in Psychotherapies for Front-Line Mental Health Workers in Underserviced Communities
Notice bibliographique
Résumé
OBJECTIVE: To address the gaps between need and access, and between treatment guidelines and their implementation for mental illness, through capacity building of front-line health workers. METHODS: Following a learning needs assessment, work-based continuing education courses in evidence-supported psychotherapies were developed for front-line workers in underserviced community settings. The 5-hour courses on the fundamentals of cognitive-behavioural therapy, interpersonal psychotherapy, motivational interviewing, and dialectical behaviour therapy each included videotaped captioned simulations, interactive lesson plans, and clinical practice behaviour reminders. Two courses, sequentially offered in 7 underserviced settings, were subjected to a mixed methods evaluation. Ninety-three nonmedical front-line workers enrolled in the program. Repeated measures analysis of variance was used to assess pre- and postintervention changes in knowledge and self-efficacy. Qualitative data from 5 semistructured focus groups with 25 participants were also analyzed. RESULTS: Significant pre- and postintervention changes in knowledge (P < 0.001) were found in course completers. Counselling self-efficacy improved in participants who took the first course offered (P = 0.001). Dropouts were much less frequent in peer-led, small-group learning than in a self-directed format. Qualitative analysis revealed improved confidence, morale, self-reported practice behaviour changes, and increased comfort in working with difficult clients. CONCLUSION: This work-based, multimodal, interactive, interprofessional curriculum for knowledge translation of psychotherapeutic techniques is feasible and helpful. A peer-led group format is preferred over self-directed learning. Its application can build capacity of front-line health workers in helping patients who suffer from common mental disorders.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».