Developing thinking around mental health science: the example of intrusive, emotional mental imagery after psychological trauma
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Introduction: One route to advancing psychological treatments is to harness mental health science, a multidisciplinary approach including individuals with lived experience and end users (e.g., Holmes, E. A., Craske, M. G., & Graybiel, A. M. (2014). Psychological treatments: A call for mental-health science. Nature, 511(7509), 287–289. doi:10.1038/511287a). While early days, we here illustrate a line of research explored by our group—intrusive imagery-based memories after trauma.Method/Results: We illustrate three possible approaches through which mental health science may stimulate thinking around psychological treatment innovation. First, focusing on single/specific target symptoms rather than full, multifaceted psychiatric diagnoses (e.g., intrusive trauma memories rather than all of posttraumatic stress disorder). Second, investigating mechanisms that can be modified in treatment (treatment mechanisms), rather than those which cannot (e.g., processes only linked to aetiology). Finally, exploring novel ways of delivering psychological treatment (peer-/self-administration), given the prevalence of mental health problems globally, and the corresponding need for effective interventions that can be delivered at scale and remotely for example at times of crisis (e.g., current COVID-19 pandemic).Conclusions: These three approaches suggest options for potential innovative avenues through which mental health science may be harnessed to recouple basic and applied research and transform treatment development.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 découle