Policies and Interventions to Reduce Familial Mental Illness Stigma: A Scoping Review of Empirical Literature
Notice bibliographique
Résumé
Although research to date has shown that there can be no health or sustainable development without good mental health, mental illness continues to significantly impact societies. A major challenge confronting people with mental illnesses and their families is the stigma that they endure. In this study, empirical literature was reviewed to assess policies and interventions that seek to reduce familial mental illness stigma across four countries. We used Arksey and O'Malley methodological framework, and a qualitative content analysis was employed to augment the descriptive data extracted. Seven studies published between 2000 and 2020 were analyzed. We propose herein three themes that align with interventions to reduce familial mental illness stigma: transformative education, sharing and disclosure, and social networking and support. The findings indicate that persuasive and purposeful education directed at the public to correct misconceptions surrounding mental illness, with attention to language, may help in reducing familial mental illness stigma. Disclosure of mental illness is encouraged among persons with mental illnesses and their families as a strategy to enhance mutual understanding. Social sharing also affords persons with mental illnesses opportunities to engage with their peers at different levels within the public sphere. Apart from these recommendations, we have noted a paucity of broad governmental-level policies and interventions to comprehensively address the negative attitudes of families toward their relatives. Future work must address this gap to identify effective interventions to create healthier and supportive environments that address familial mental illness stigma.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| 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 ».