A cluster RCT to improve workplace mental health in a policing context: Findings of a mixed‐methods implementation evaluation
Notice bibliographique
Résumé
BACKGROUND: We conducted a cluster randomized trial of a workplace mental health intervention in an Australian police department. The intervention was co-designed and co-implemented with the police department. Intervention elements included tailored mental health literacy training for all members of participating police stations, and a leadership development and coaching program for station leaders. This study presents the results of a mixed-methods implementation evaluation of the trial. METHODS: Descriptive quantitative analyses characterized the extent of participation in intervention activities, complemented by a qualitative descriptive analysis of transcripts of 60 semistructured interviews with 53 persons and research team field notes. RESULTS: Participation rates in the multicomponent leadership development activities were highly variable, ranging from <10% to approximately 60% across stations. Approximately 50% of leaders and <50% of troops completed the mental health literacy training component of the intervention. Barriers to implementation included rostering challenges, high staff turnover and changes, competing work commitments, staff shortages, limited internal personnel resources to deliver the mental health literacy training, organizational cynicism, confidentiality concerns, and limited communication about the intervention by station command or station champions. Facilitators of participation were also identified, including perceived need for and benefits of the intervention, engagement at various levels, the research team's ability to create buy-in and manage stakeholder relationships, and the use of external, credible leadership development coaches. CONCLUSIONS: Implementation fell far short of expectations. The identified barriers and facilitators should be considered in the design and implementation of similar workplace mental health interventions.
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 | 0,043 | 0,044 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,004 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».