Notice bibliographique
Résumé
Abstract The Global Burden of Disease studies have consistently shown that mental health challenges are among the leading causes of lost disability-adjusted life years (DALYs), and represent one of the biggest public health problems of our time. The World Health Organization (WHO) estimates that around 450 million people struggle with mental health issues at any one time - this is only exacerbated by the current pandemic. Now, more than ever, there is strong argument for WHO proposition of ‘no health without mental health'. The current weapon for tackling the mental health crisis is largely based on a medical model. After decades of medication-based treatments, this model has seen a significant shift towards ‘talking therapies'. More so, the last few years, particularly during the pandemic, virtual care has become the significant mechanism of providing mental health support. Our research has identified a number of challenges in the current approach that remain unaddressed: 1) recovery rates from talking therapies are low and inequitably distributed; 2) improvements in mental health depend more on individual-level factors and circumstances than the person providing therapy; and 3) most people who recover from mental health problems relapse within a year. In this session, we will discuss these findings and ask: are we approaching mental health with the right approach, or is this time to rewrite the vows between public health and primary care to tackle the mental health crisis?
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 | 0,010 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,007 | 0,017 |
| Communication savante | 0,013 | 0,019 |
| Science ouverte | 0,001 | 0,008 |
| Intégrité de la recherche | 0,009 | 0,016 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,040 | 0,005 |
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 ».