Supporting the Development of a Strengths-Based Narrative: Applying the Leisure and Well-Being Model in Outpatient Mental Health Services
Notice bibliographique
Résumé
Strengths-based practice emphasizes the discovery, development, and expression of a variety of strengths as a significant strategy for well-being (Jones-Smith, 2014). The notion of recovery in mental health services refers to living well with mental illness and is often based in creating a self-narrative that includes mental illness but that is not defined by it, or in other words creating a self-narrative of strengths (Onken, Craig, Ridgway, Ralph, & Cook, 2007). The Leisure and Well-Being Model (LWM) (Carruthers & Hood, 2007; Hood & Carruthers, 2007) provides direction for the development of strengths-based therapeutic recreation (TR) programs and this article will describe the development, implementation, and evaluation plan for a TR program designed to address one of the distal goals of the LWM, “cultivation and expression of one’s full potential including strengths, capacities and assets” (Carruthers & Hood, 2007, p. 280) in outpatient mental health services. The literature on recovery in mental health treatment, strengths-based practice, positive psychology and narrative therapy provided the conceptual framework for the application of the LWM to TR services. The resultant program, entitled Be Your Best Self, is described in some detail and the ongoing plans for development and evaluation research are articulated.
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 | 0,014 | 0,019 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,007 |
| Communication savante | 0,008 | 0,005 |
| Science ouverte | 0,002 | 0,013 |
| Intégrité de la recherche | 0,001 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».