Disability income support design and mental illnesses: a review of Australia and Ontario
Notice bibliographique
Résumé
AIM: Mental illnesses have many distinctive features that make determining eligibility for disability income support challenging - for example, their fluctuating nature, invisibility and lack of diagnostic clarity. How do policy makers deal with these features when designing disability income support? More specifically, how do mental illnesses come to be considered eligible disabilities, what tools are used to assess mental illnesses for eligibility, what challenges exist in this process, and what approaches are used to address these challenges? We aimed to determine what evidence is available to policy makers in Australia and Ontario, Canada, to answer these questions. METHODS: Ten electronic databases and grey literature in both jurisdictions were searched using key words, including disability income support, disability pension, mental illness, mental disability, addiction, depression and schizophrenia, for articles published between 1991 and June 2013. This yielded 1341 articles, of which 20 met the inclusion criteria and were critically appraised. RESULTS: Limited evidence is available on disability income support design and mental illnesses in the Australian and Ontarian settings. Most of the evidence is from the grey literature and draws on case law. Many documents reviewed argued that current policy in Australia and Ontario is frequently based on negative assumptions about mental illnesses rather than evidence (either peer reviewed or in the grey literature). Problems relating to mental illnesses largely relate to interpretation of the definition of mental illness rather than the definition itself. CONCLUSIONS: The review confirmed that mental illnesses present many challenges when designing disability income support and that academic as well as grey literature, especially case law, provides insight into these challenges. More research is needed to address these challenges, and more evidence could lead to policies for those with mental illnesses that are well informed and do not reinforce societal prejudices.
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 | 0,010 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,020 | 0,033 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 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 ».