Clinician training, then what? Randomized clinical trial of child STEPs psychotherapy using lower-cost implementation supports with versus without expert consultation.
Notice bibliographique
Résumé
OBJECTIVE: Implementation of evidence-based treatments in funded trials is often supported by expert case consultation for clinicians; this may be financially and logistically difficult in clinical practice. Might less costly implementation support produce acceptable treatment fidelity and clinical outcomes? METHOD: To find out, we trained 42 community clinicians from four community clinics in Modular Approach to Therapy for Children (MATCH), then randomly assigned them to receive multiple lower-cost implementation supports (LC) or expert MATCH consultation plus lower-cost supports (CLC). Clinically referred youths (N = 200; ages 7-15 years, M = 10.73; 53.5% male; 32.5% White, 27.5% Black, 24.0% Latinx, 1.0% Asian, 13.5% multiracial, 1.5% other) were randomly assigned to LC (n = 101) or CLC (n = 99) clinicians, and groups were compared on MATCH adherence and competence, as well as on multiple clinical outcomes using standardized measures (e.g., Child Behavior Checklist, Youth Self-Report) and idiographic problem ratings (Top Problems Assessment). RESULTS: Coding of therapy sessions revealed substantial therapist adherence to MATCH in both conditions, with significantly stronger adherence in CLC; however, LC and CLC did not differ significantly in MATCH competence. Trajectories of change on all outcome measures were steep, positive, and highly similar for LC and CLC youths, with no significant differences; a supplemental analysis of posttreatment outcomes also showed similar LC and CLC posttreatment scores, with most LC-CLC differences nonsignificant. CONCLUSIONS: The findings suggest that effective implementation of a complex intervention in clinical practice may be supported by procedures that are less costly and logistically challenging than expert consultation. (PsycInfo Database Record (c) 2020 APA, all rights reserved).
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,004 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,012 | 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 ».