Uses and Misuses of Recorded Mental Health Lived Experience Narratives in Healthcare and Community Settings: Systematic Review
Notice bibliographique
Résumé
Mental health lived experience narratives are first-person accounts of people with experience of mental health problems. They have been published in journals, books and online, and used in healthcare interventions and anti-stigma campaigns. There are concerns about their potential misuse. A four-language systematic review was conducted of published literature characterizing uses and misuses of mental health lived experience narratives within healthcare and community settings. 6531 documents in four languages (English, Danish, Swedish, Norwegian) were screened and 78 documents from 11 countries were included. Twenty-seven uses were identified in five categories: political, societal, community, service level and individual. Eleven misuses were found, categorized as relating to the narrative (narratives may be co-opted, narratives may be used against the author, narratives may be used for different purpose than authorial intent, narratives may be reinterpreted by others, narratives may become patient porn, narratives may lack diversity), relating to the narrator (narrator may be subject to unethical editing practises, narrator may be subject to coercion, narrator may be harmed) and relating to the audience (audience may be triggered, audience may misunderstand). Four open questions were identified: does including a researcher's personal mental health narrative reduce the credibility of their research?: should the confidentiality of narrators be protected?; who should profit from narratives?; how reliable are narratives as evidence?).
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 | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,005 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».