The Sub-Saharan Africa Regional Partnership (SHARP) for Mental Health Capacity Building: a program protocol for building implementation science and mental health research and policymaking capacity in Malawi and Tanzania
Notice bibliographique
Résumé
BACKGROUND: Mental health (MH) disorders in low and middle-income countries (LMICs) account for a large proportion of disease burden. While efficacious treatments exist, only 10% of those in need are able to access care. This treatment gap is fueled by structural determinants including inadequate resource allocation and prioritization, both rooted in a lack of research and policy capacity. The goal of the Sub-Saharan Africa Regional Partnership for Mental Health Capacity Building (SHARP), based in Malawi and Tanzania, is to address those research and policy-based determinants. METHODS: SHARP aims to (1) build implementation science skills and expertise among Malawian and Tanzanian researchers in the area of mental health; (2) ensure that Malawian and Tanzanian policymakers and providers have the knowledge and skills to effectively apply research findings on evidence-based mental health programs to routine practice; and (3) strengthen dialogue between researchers, policymakers, and providers leading to efficient and sustainable scale-up of mental health services in Malawi and Tanzania. SHARP comprises five capacity building components: introductory and advanced short courses, a multifaceted dialogue, on-the-job training, pilot grants, and "mentor the mentors" courses. DISCUSSION: Program evaluation includes measuring dose delivered and received, participant knowledge and satisfaction, as well as academic output (e.g., conference posters or presentations, manuscript submissions, grant applications). The SHARP Capacity Building Program aims to make a meaningful contribution in pursuit of a model of capacity building that could be replicated in other LMICs. If impactful, the SHARP Capacity Building Program could increase the knowledge, skills, and mentorship capabilities of researchers, policymakers, and providers regarding effective scale up of evidence-based MH treatment.
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 | 0,159 | 0,094 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,005 | 0,005 |
| Études des sciences et des technologies | 0,009 | 0,005 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,006 | 0,009 |
| Intégrité de la recherche | 0,006 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,060 | 0,010 |
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 ».