MétaCan
Menu
Retour à la cohorte
Enregistrement W3133270274 · doi:10.1590/1516-4446-2020-1577

Translating science into policy: mental health challenges during the COVID-19 pandemic

2021· article· en· W3133270274 sur OpenAlexaff
Jair de Jesus Mari, Ary Gadelha, Christian Kieling, Cleusa P. Ferri, Flávio Kapczinski, Antônio Egídio Nardi, Naomar de Almeida Filho, Zila M. Sanchez, Giovanni Abrahão Salum

Notice bibliographique

RevueBrazilian Journal of Psychiatry · 2021
Typearticle
Langueen
DomainePsychology
ThématiqueCOVID-19 and Mental Health
Établissements canadiensMcMaster University
Organismes subventionnairesAcademy of Medical Sciences
Mots-clésMental healthPsychological interventionPsychosocialPsychoeducationContext (archaeology)Social isolationPsychologyTelemedicineHealth carePandemicMedicineMental health literacyTelepsychiatryPsychiatryDiseaseMental illnessPolitical scienceCoronavirus disease 2019 (COVID-19)Infectious disease (medical specialty)

Résumé

récupéré en direct d'OpenAlex

Several stressors associated with the coronavirus disease 2019 (COVID-19) are expected to affect the mental health of global populations: the effects of physical distancing, quarantine, and social isolation; the emotional suffering of health and other frontline workers; neuropsychiatric sequelae in those affected by the virus; the impact to families of lives lost to the disease; differential effects for those with severe mental disorders; and the consequences of social and economic deterioration. In this context, we sought: to form a panel of Brazilian experts on child and adolescent health, neurodevelopment, health services, and adult and elderly mental health; and to compile evidence-based interventions to support suggested policy changes in Brazil to mitigate the expected increase in mental health disorders during the pandemic and its mental health consequences. The following actions are recommended: 1) invest in prevention programs for the safe return of students to schools; 2) adopt evidence-based psychosocial interventions to maintain an adequate environment for child and adolescent development; 3) target socially vulnerable populations and those experiencing discrimination; 4) train primary care teams to solve common mental health problems, provide needs-based assessments, and manage long-term, at-home care for older patients; 5) invest in technological advancements (e.g., telemedicine, e-Health, and web-based algorithms) to promote coordinated care; 6) increase access to and literacy in the use of computers and mobile phones, especially among older adults; 7) expand protocols for remote, brief psychotherapy interventions and psychoeducation to manage common mental health problems.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,031
score de la tête « metaresearch » (Gemma)0,074
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,114
Score d'incertitude au seuil0,227

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0310,074
Méta-épidémiologie (sens strict)0,0010,000
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0040,007
Communication savante0,0070,007
Science ouverte0,0020,007
Intégrité de la recherche0,0110,010
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,071
Tête enseignante GPT0,439
Écart entre enseignants0,368 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations24
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueBrazilian Journal of PsychiatryMême sujetCOVID-19 and Mental HealthTravaux en français237 207