L’utilisation des technologies pour optimiser la formation des intervenants en santé mentale aux traitements fondés sur les données probantes : où en sommes-nous ?
Notice bibliographique
Résumé
Massive training of mental health providers is one of the proposed means of improving access to evidence-based treatment for a variety of common mental disorders. While communication and knowledge dissemination technologies (videoconferencing, web platforms) can help make training more accessible in time and space, their contribution to the development of skills among providers needs to be carefully evaluated. Objectives Establish how technologies are used to optimize the training of practitioners and what are the effects of online training on the acquisition of clinical knowledge and skills. Method A quick review of the literature was conducted. In order to be included, studies had to concern online training intended for providers in active clinical practice, deal with the treatment of a common mental disorder or addiction, and include an objective measure of clinical knowledge or skills. The studies were analyzed and compared in terms of learning methods and activities incorporating digital technologies. Results Twenty studies were identified. Passive learning methods, involving little or no interactivity, are predominant in asynchronous mode online training (AOT), while activities that allow a high level of interaction with the trainer, such as role-playing or supervision, are found in synchronous mode training. Knowledge acquisition: AOTs appear to be effective in improving the knowledge of the trainees for at least six months. Classroom training or the addition of supervision does not produce learning outcomes that are superior to the AOT. Skill acquisition: No conclusions can be drawn about the effects of online, asynchronous, synchronous or blended training, as the results are mixed or even contradictory. Conclusion Considering the low methodological quality of the studies analyzed, which limits the nature and scope of the conclusions of this review, the results of the studies suggest that AOTs that include basic interactive technologies, such as online quizzes, can be a simple and effective way to improve clinical knowledge of mental health practitioners.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,027 | 0,072 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,006 | 0,010 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,003 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 source (Gemma direct ou Codex distillé), 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 ».