Workers with severe mental illness coping with clinical symptoms: Self‐directed learning of work‐health balance strategies
Notice bibliographique
Résumé
INTRODUCTION: Most workers with a severe mental illness (SMI) experience brief job retention, usually under 6 months. Managing their clinical symptoms to maintain employment is a constant challenge. However, little is known about the personal initiatives these workers undertake to learn to manage their clinical symptoms at work. The study presented here documented, from an emic perspective, the self-directed learning of work-health balance strategies applied in the workplace. METHODS: The study was conducted with five adults with SMI employed in the competitive labour market and six support persons. Between March 2017 and May 2018, a dataset was constructed based on 21 semi-structured interviews, eight observation sessions, and photographs taken of 15 objects used by the workers to manage their clinical symptoms. The analysis was guided by Mendez's retrospective and current temporal analysis of social processes. RESULTS: The workers experienced four different self-directed learning patterns (preparation, post-crisis, active self-directed learning, and identity transformation) and used five types of strategies to facilitate work-health balance: preparation for work, reassurance, validation, assertiveness, and work-rest transitions. CONCLUSION: These workers with SMI, all of whom had job retention of 2 years or more in competitive employment, learned and applied work-health balance strategies. Self-directed learning was enhanced by customised pharmacological treatment, mindfulness activities, active listening by support persons and psychotherapy specific to the mental illness.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».