When Could a Stigma Program to Address Mental Illness in the Workplace Break Even?
Notice bibliographique
Résumé
OBJECTIVE: To explore basic requirements for a stigma program to produce sufficient savings to pay for itself (that is, break even). METHODS: A simple economic model was developed to compare reductions in total short-term disability (SDIS) cost relative to a stigma program's costs. A 2-way sensitivity analysis is used to illustrate conditions under which this break-even scenario occurs. RESULTS: Using estimates from the literature for the SDIS costs, this analysis shows that a stigma program can provide value added even if there is no reduction in the length of an SDIS leave. To break even, a stigma program with no reduction in the length of an SDIS leave would need to prevent at least 2.5 SDIS claims in an organization of 1000 workers. Similarly, a stigma program can break even with no reduction in the number of SDIS claims if it is able to reduce SDIS episodes by at least 7 days in an organization of 1000 employees. CONCLUSIONS: Modelling results, such as those presented in our paper, provide information to help occupational health payers become prudent buyers in the mental health market place. While in most cases, the required reductions seem modest, the real test of both the model and the program occurs once a stigma program is piloted and evaluated in a real-world setting.
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 | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».