Tailoring a training based on the <i>Mental Health Gap Action Programme (mhGAP) Intervention Guide (IG)</i> to Tunisia: process and relevant adaptations
Notice bibliographique
Résumé
Background In order to make mental health services more accessible, the Tunisian Ministry of Health, in collaboration with the School of Public Health at the University of Montreal, the World Health Organization office in Tunisia and the Montreal World Health Organization-Pan American Health Organization Collaborating Center for Research and Training in Mental Health, implemented a training programme based on the Mental Health Gap Action Programme (mhGAP) Intervention Guide (IG) (version 1.0) , developed by the World Health Organization. This article describes the phase prior to the implementation of the training, which was offered to general practitioners working in primary care settings in the Greater Tunis area of Tunisia. Methods The phase prior to implementation consisted of adapting the standard mhGAP-IG (version 1.0) to the local primary healthcare context. This adaptation process, an essential step before piloting the training, involved discussions with stakeholder groups, as well as field observations. Results Through the adaptation process, we were able to make changes to the standard training format and material. In addition, the process helped uncover systemic barriers to effective mental health care. Conclusions Targeting these barriers in addition to implementing a training programme may help reduce the mental health treatment gap, and promote implementation that is successful and sustainable.
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 | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».