Diagnosing and Treating Mental Illness Across Cultures: Systemic Racism in Clinical Psychology
Notice bibliographique
Résumé
Diverse cultures have historically been underrepresented by psychological research (Arnett, 2008; Nielsen et al., 2017). Using western data and diagnostic criteria designed by western society leads to contemporary understandings of clinical diagnoses and psychotherapies that lack external validity beyond western society. Consequently, when immigrants from these diverse countries seek mental health services, they are disproportionately misdiagnosed and receive psychotherapies that are far less effective. The tools and training that clinicians are provided with do not effectively translate through different cultural lenses. Contemporary diagnostic instruments like the Diagnostic and Statistical Manual of Mental Disorders (DSM) need to include additional representative research to improve their sensitivity across cultures. Furthermore, psychotherapies need appropriate cultural adaptations that connect with cultural minority clients to become properly effective. Diagnostic manuals and empirically supported psychotherapies are culturally biased descriptions of clinical psychology which need cultural competence to accommodate the growing cultural diversity present within Canada and America. This literature overview details the extent of the underrepresentation in western psychological research. Subsequently, it presents a brief account of diverse cultural research demonstrating how mental health expression varies extensively by culture. Finally, expounding on these points demonstrates how the resulting DSM is not adequate for the countries that use it, and the resulting psychotherapies lack efficacy in their populations, perpetuating systemic racism in clinical psychology.
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) | 0,000 | 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 ».