Adolescent Mental Health Program Components and Behavior Risk Reduction: A Meta-analysis
Notice bibliographique
Résumé
CONTEXT: Although adolescent mental health interventions are widely implemented, little consensus exists about elements comprising successful models. OBJECTIVE: We aimed to identify effective program components of interventions to promote mental health and prevent mental disorders and risk behaviors during adolescence and to match these components across these key health outcomes to inform future multicomponent intervention development. DATA SOURCES: A total of 14 600 records were identified, and 158 studies were included. STUDY SELECTION: Studies included universally delivered psychosocial interventions administered to adolescents ages 10 to 19. We included studies published between 2000 and 2018, using PubMed, Medline, PsycINFO, Scopus, Embase, and Applied Social Sciences Index Abstracts databases. We included randomized controlled, cluster randomized controlled, factorial, and crossover trials. Outcomes included positive mental health, depressive and anxious symptomatology, violence perpetration and bullying, and alcohol and other substance use. DATA EXTRACTION: Data were extracted by 3 researchers who identified core components and relevant outcomes. Interventions were separated by modality; data were analyzed by using a robust variance estimation meta-analysis model, and we estimated a series of single-predictor meta-regression models using random effects. RESULTS: Universally delivered interventions can improve adolescent mental health and reduce risk behavior. Of 7 components with consistent signals of effectiveness, 3 had significant effects over multiple outcomes (interpersonal skills, emotional regulation, and alcohol and drug education). LIMITATIONS: Most included studies were from high-income settings, limiting the applicability of these findings to low- and middle-income countries. Our sample included only trials. CONCLUSIONS: Three program components emerged as consistently effective across different outcomes, providing a basis for developing future multioutcome intervention programs.
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 | 0,021 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,052 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».