Logic model for mental health interventions: the recovery College Model in Quebec, Canada
Notice bibliographique
Résumé
The Recovery College (RC) model represents a worldwide innovation in health systems. First appeared in England and now established in five continents, the RC model proposes a mental health educational approach in the community, emphasizingco-production, co-learning, and equity between theoretical/clinic knowledge and experiential knowledge (1-3). All participants(individuals with or without mental health challenges, their relatives, mental health professionals, health and education service providers, citizens) have access to mental health, recovery, and well-being training(4). Both participants and trainers collectively learn and reflect on their mental health attitudes, behaviors, and practices. This article reports on the co-construction process followed by Quebec's RC team, the first to have developed a RC logic model. The logic model conception followed six steps/strategies: 1) Participant observations, 2) Analysis of administrative documents, 3) Informal interviews and meetings with stakeholders (trainers, health service managers, and partner organizations) to better understand the implicit assumptions of the intervention, 4) Review of the literature related to the recovery college model, 5) Co-construction of causal links between resources, activities, and outcomes, 6) Validation and synthesis of the logic model. Finally, the logic model was disseminated, highlighting the relationships between the strategic resources needed for the key activities of the intervention to produce the expected outcomes.
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 | 0,008 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,007 | 0,006 |
| Communication savante | 0,006 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,001 |
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 ».