Closing the Mental Health Gap: The Long and Winding Road?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
With 5 billion dollars in new federal funding to improve access to mental health services set to roll out over the next 10 years, a window of opportunity has opened to begin to close the long-standing gap in mental health funding in Canada. Public spending on mental health in Canada is only 7% of public spending on health overall (Jacobs et al., 2010), well short of the 9% called for in the Changing Directions, Changing Lives: The Mental Health Strategy for Canada (MHCC, 2012). This percentage is also well short of the disease burden comprised by mental illnesses, which ranges from 13% globally (WHO, 2011) to 23% in the UK (OECD, 2014). By comparison, recent figures from the Organisation for Economic Cooperation and Development (OECD, 2014) indicate that some countries devote as much as 18% of their health spending to mental health, with the UK sitting at 13%. Even with new targeted federal funding, closing, or at least narrowing, this gap will require careful attention to lessons learned in the past. This article explores how the gap in mental health funding came about in Canada and provides a more detailed analysis of the size of the gap itself. While it is now clear that the federal government will introduce a transfer that is directly targeted to mental health, there are still many policy options to consider for moving forward with next steps, including provincial/territorial contributions, accountability mechanisms, outcome measures, the insurance/financing model, and how tightly eligible expenses are tied to specific initiatives, population groups, or levels of evidence.
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.
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 | 0,016 | 0,001 |
| 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 | 0,036 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,004 |
| 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 découle