Psychosocial Management Before, During, and After Emergencies and Disasters—Results from the Kobe Expert Meeting
Notice bibliographique
Résumé
Emergencies and disasters typically affect entire communities, cause substantial losses and disruption, and result in a significant and persistent mental health burden. There is currently a paucity of evidence on safe and effective individual- and community-level strategies for improving mental health before, during, and after such events. In October 2018, the World Health Organization (WHO) Centre for Health Development (WHO Kobe Centre) convened a meeting bringing together leading Asia Pacific and international disaster research experts. The expert meeting identified key research needs in five major areas, one being "Psychosocial management before, during, and after emergencies and disasters". Experts for this research area identified critical gaps in observational research (i.e., the monitoring of long-term psychological consequences) and interventional research (i.e., the development and evaluation of individual- and community-level interventions). Three key research issues were identified. First, experts underscored the need for a standardized and psychometrically robust instrument that classified the mental health/psychosocial risk of people within both a clinical and community setting. Then, the need for a standardization of methods for prevention, screening, diagnosis, and treatment for affected people was highlighted. Finally, experts called for a better identification of before, during, and after emergency or disaster assets associated with greater community resilience.
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 | 0,002 | 0,000 |
| 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 | 0,000 | 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) | 0,001 | 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 ».