Translating science into policy: mental health challenges during the COVID-19 pandemic
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
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.
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) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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