The CREATE strategy of rehabilitation and recovery for mental illness in low resource settings: Development processes and evaluation from a proof of concept study in Kenya
Notice bibliographique
Résumé
A significant burden and treatment gap associated with serious mental illness (SMI) exists in low- and middle-income countries (LMIC). In order to address these issues, a range of community-based rehabilitation models in alignment with the Capabilities Approach is necessary, including opportunities for people with SMI to be rapidly engaged in meaningful work within their communities. This paper outlines the development processes and evaluation of the proof of concept for the Community REcovery Achieved Through Entrepreneurship (CREATE) strategy in Kenya. The CREATE strategy pairs Work Integration Social Enterprises (WISE) with a focused, low-cost, recovery-oriented Psychosocial Rehabilitation (PSR) toolkit within a peer involvement/support model as a means of addressing marginalization and fostering health, wellbeing, and participation of people living with SMI. Qualitative research methods were used to understand the experiences of a range of stakeholders involved in CREATE implementation in Kenya. Three overarching themes explicated the experiences of the various stakeholders involved: (1) experiencing a business like other businesses – yet different; (2) expanding capacities, opportunities, and networks through meaningful work; and (3) promoting knowledge and empowerment through education. Within each theme, there was evidence of the attenuation of central elements of marginalization. The CREATE strategy demonstrated acceptability and a variety of potential positive impacts in a low resource setting in Kenya. Application of the CREATE strategy to other low resource settings within Kenya and other LMIC merits further exploration.
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 | 0,002 | 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 | 0,000 |
| 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 ».