Lessons Learned: Virtual DBT from Therapist and Client Perspectives
Notice bibliographique
Résumé
With the abrupt ramp-down of in-person mental health outpatient visits due to COVID-19, rapid adaptation was required to transform Dialectical Behaviour Therapy (DBT) services for adolescents and their families to a virtual format Within two weeks the DBT team changed both group and individual DBT therapy to an on-line platform There is little literature regarding delivery of DBT in this way, Experience of patients, families and providers to this change was subsequently evaluated Methods: Delivery of group and individual DBT components was done via PHIPA compliant Zoom platform A secure anonymous feedback survey was administered via RedCap to patients, families, and therapy providers Focus group interviews were conducted to obtain qualitative feedback Ongoing learning about technical challenges was shared regularly through the team and supported by the hospital's Virtual Care Working Group Results: After a steep learning curve, clients and families expressed satisfaction with the experience of Virtual Multifamily DBT, both in full DBT and Lite (skills groups only) formats Time savings, cost savings, and ease of use were identified as positives The learning experience was rated as positive Providers and clients both expressed preference for in-person groups, but remained positive for the most part about the virtual experience Both providers and clients identified technical problems as the biggest challenge Conclusions: Dialectical Behaviour Therapy may successfully be offered to young people and their caregivers by videoconferencing platforms Access to DBT can be increased by the removal of obstacles inherent to in-person group treatment
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 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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».