Mental health knowledge and training needs among direct care workers: a mixed methods study
Notice bibliographique
Résumé
OBJECTIVES: Direct care providers (DCWs) spend the most time with clients in the home, and as such, play an integral role in identifying mental health problems. However, DCWs receive little preparation in mental health and there is little research regarding their role in the mental health care of clients. The purpose of this study was to explore DCWs' knowledge, attitudes, and experiences of caring for clients with mental health problems from the perspectives of DCWs and key administrators (KAs). METHOD: Mixed method design. Structured interviews were conducted with DCWs. Focus groups were conducted with KAs. RESULTS: Twenty-nine DCWs and 12 KAs took part in the study. Loneliness and memory problems in clients were the most prevalent challenges identified by DCWs. DCWs' self-reported mental health knowledge was mid to high across all domains, although they had many misconceptions about mental health and aging. Helpful strategies in working with clients included communication skills, rapport-building, behavioral, cognitive, emotion-regulation, and making use of external resources. KAs noted individual differences in DCWs' mental health knowledge and indicated that mental health issues were often viewed by DCWs as dispositional problems or a normal part of aging. KAs viewed DCWs' greatest challenges as personalizing difficult client behaviors, lack of knowledge about how to manage specific behaviors, and difficulties managing their own emotions towards clients. CONCLUSION: Data from this study suggest important areas for DCW development. However, system issues that affect DCWs such as workload, resources, mental health stigma, and diverse client populations should be addressed concurrently.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».