MétaCan
Menu
Retour à la cohorte
Enregistrement W2130324300 · doi:10.1007/s11469-009-9245-x

The Substance Abuse Treatment Workforce of South Africa

2009· article· en· W2130324300 sur OpenAlexaff
Ruthlyn Sodano, Donnie W. Watson, Solomon Rataemane, Lusanda Rataemane, Nomvuyo Ntlhe, Richard A. Rawson

Notice bibliographique

RevueInternational Journal of Mental Health and Addiction · 2009
Typearticle
Langueen
DomainePsychology
ThématiqueCounseling Practices and Supervision
Établissements canadiensCentre for Addiction and Mental Health
Organismes subventionnairesnon disponible
Mots-clésSubstance abuseHealth psychologyWorkforceSubstance abuse treatmentBachelorMedicineSocial workFamily medicinePublic healthPsychiatryPsychologyClinical psychologyNursingGeographyPolitical science

Résumé

récupéré en direct d'OpenAlex

The purpose of this paper is to describe characteristics of substance abuse treatment counselors in the Republic of South Africa, including demographics, education, training, and job duties. Counselors recruited from 24 treatment centers completed a survey after signing informed consent. Counselors were primarily female (75%), racially diverse (36.4% White, 30.8% Black, 18.9% Coloured, 12.6% Indian or Asian, and 1.4% Cape Malay), and were 38 years old on average. The majority (62.3%) held at least an equivalent of a bachelor's degree, and just under half (49%) were registered social workers. Counselors had a mean of 5.3 years' experience in substance abuse treatment. The substance abuse treatment workforce of South Africa appears to be young and educated, yet only one third of the counselors had any formal training in Cognitive Behavioral Therapy. South African counselors could benefit from more training in evidence-based techniques.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Sans objet · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,959
Score d'incertitude au seuil0,138

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,035
Tête enseignante GPT0,362
Écart entre enseignants0,327 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSans objet
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations18
Publié2009
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Mental Health and AddictionMême sujetCounseling Practices and SupervisionTravaux en français237 207