Promoting wellbeing and improving access to mental health care through community champions in rural India: the Atmiyata intervention approach
Notice bibliographique
Résumé
There are limited accounts of community-based interventions for reducing distress or providing support for people with common mental disorders (CMDs) in low and middle-income countries. The recently implemented Atmiyata programme is one such community-based mental health intervention focused on promoting wellness and reducing distress through community volunteers in a rural area in the state of Maharashtra, India. This case study describes the content and the process of implementation of Atmiyata and how community volunteers were trained to become Atmiyata champions and mitras (friends). The Atmiyata programme trained Atmiyata champions to provide support and basic counselling to community members with common mental health disorders, facilitate access to mental health care and social benefits, improve community awareness of mental health issues, and to promote well-being. Challenges to implementation included logistical challenges (difficult terrain and weather conditions at the implementation site), content-related challenges (securing social welfare benefits for people with CMDs), and partnership challenges (turnover of public health workers involved in referral chain, resistance from public sector mental health specialists). The case study serves as an example for how such a model can be sustained over time at low cost. The next steps of the programme include evaluation of the impact of the Atmiyata intervention through a pre-post study and adapting the intervention for further scale-up in other settings in India.
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 | 0,002 | 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 | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».