The Cost of High-Fidelity Supported Employment Programs for People With Severe Mental Illness
Notice bibliographique
Résumé
OBJECTIVE: This study determined the costs of evidence-based supported employment programs in real-world settings. METHODS: A convenience sample of 12 supported employment programs known to follow closely the principles of evidence-based supported employment was asked to provide detailed information on program costs, use, and staffing. Program fidelity was assessed by using the Supported Employment Fidelity Scale. Cost and utilization data were analyzed in a comparable manner to yield direct and total costs per client served, per full-year-equivalent client, and per employment specialist. RESULTS: Usable data were obtained from seven programs in rural and urban locations in seven states: Indiana, Kansas, Massachusetts, New Hampshire, Oregon, Rhode Island, and Vermont. All programs received high fidelity ratings, ranging from 70 to the maximum value of 75. Annual direct costs per client served varied from dollars 860 in New Hampshire to dollars 2723 in Oregon, and direct costs per full-year-equivalent client varied from dollars 1423 in Massachusetts to dollars 6793 in Indiana. Direct costs per employment specialist did not show as much variation, ranging from dollars 37339 in Rhode Island to dollars 49603 in Massachusetts, with a mean of dollars 44082. Differences in cost per client arose in part from differences in rules for determining who is or is not considered to be on a program's caseload. By assuming a typical caseload of about 18 clients, it was estimated that the cost per full-year-equivalent client averaged dollars 2449 per year, ranging from dollars 2074 to dollars 2756. CONCLUSIONS: The results point to the need for greater uniformity in caseload measurement and help specify the costs of high-fidelity supported employment programs in real-world settings.
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 | 0,000 | 0,000 |
| 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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».