Collaborating with community-based services to promote evidence-based practice: Process description of a national initiative to improve services for youth with mental health and substance use problems.
Notice bibliographique
Résumé
Many youth with significant mental health (MH) and/or substance use (SU) difficulties do not receive specialized services. Collaboration between service providers, researchers, and other stakeholders is essential to improve youth service system capacity to provide evidence-based services to meet the complex array of needs of youth. Facilitators and barriers of implementing evidence-based practice have been identified, but few studies provide examples of the processes of collaboration and implementation for youth MH services. This study explicates the design features and implementation processes of a project to improve screening activities in youth services. These processes supported the building of 16 collaborative networks of service providers from diverse youth-serving sectors (e.g., MH, youth justice, child welfare) in urban, rural, suburban, and remote Canadian communities. These cross-sectoral networks implemented an evidence-based practice (screening youth aged 12-24 years for MH and SU problems using the Global Assessment of Individual Needs-Short Screener [GAIN-SS]) across their services. Materials and resources were provided by a centralized research team. Core project components were standardized and adherence to these components was monitored. Over 800 service providers participated in cross-sectoral networks, capacity-building events, joint data analysis, or interpretation and recommendation sessions. Across the 89 participating agencies, service providers for 84% of participating youth implemented the evidence-based practice accurately in accordance with project protocols, with 98% of positive screens reviewed and addressed according to organizational protocols. Service provider feedback is reported. Facilitators, barriers, and implications of promoting implementation of evidence-based practices across sites and sectors are discussed. (PsycINFO Database Record
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 | 0,116 | 0,060 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,001 | 0,003 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,010 | 0,006 |
| Communication savante | 0,009 | 0,005 |
| Science ouverte | 0,005 | 0,025 |
| Intégrité de la recherche | 0,004 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,002 |
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 ».