Risk, Response, and Mental Health Policy: Learning from the Experience of the United Kingdom
Notice bibliographique
Résumé
Policy makers in the United States and the United Kingdom recognize that mentally disordered offenders present special challenges to law enforcement, mental health, and social service systems, as well as the community. Although various policy initiatives have advanced over the past twenty years to improve the management of mentally disordered offenders, mental health policy has chronically failed in both countries. Because safety concerns have emerged as the mental health system has been "deinstitutionalized," debate is growing about whether the community-care approach works-for the community. This study argues that mental health policy fails because policy makers focus on the wrong risks and design policies that manage these risks in ways that increase the possibility of adverse clinical and economic outcomes. The argument made here uses the case of persons with severe mental illness in the United Kingdom as an example of the complex relationship between risk and policy making in democratic governance. Emphasis is on the nature of risk in mental health policy and how government responds to policy and political risks. Mental health policy in Britain is then analyzed in terms of its response to and management of risks. Mental health policy has historically mismanaged the risk issue in the United Kingdom and as such has set in motion the growing community-care backlash. The path to a better outcome lies in the responsible management of the right risks. Lessons from the United Kingdom experience can be usefully applied to mental health issues in many industrial democracies.
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 | 0,003 | 0,001 |
| 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 | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».