Moral Injury, Chaplaincy and Mental Health Provider Approaches to Treatment: A Scoping Review
Notice bibliographique
Résumé
The aim of this research was to describe the evidence examining the approaches taken by mental health providers (MHPs) and chaplains to address symptoms related to moral injury (MI) or exposure to potentially morally injurious events (PMIEs). This research also considers the implications for a holistic approach to address symptoms related to MI that combines mental health and chaplaincy work. A scoping review of literature was conducted using Medline, PsycINFO, Embase, Central Register of Controlled Trials, Proquest, Philosphers Index, CINAHL, SocINDEX, Academic Search Complete, Web of Science and Scopus databases using search terms related to MI and chaplaincy approaches or psychological approaches to MI. The search identified 35 eligible studies: 26 quantitative studies and nine qualitative studies. Most quantitative studies (n = 33) were conducted in military samples. The studies examined interventions delivered by chaplains (n = 5), MHPs (n = 23) and combined approaches (n = 7). Most studies used symptoms of post-traumatic stress disorder (PTSD) and/or depression as primary outcomes. Various approaches to addressing MI have been reported in the literature, including MHP, chaplaincy and combined approaches, however, there is currently limited evidence to support the effectiveness of any approach. There is a need for high quality empirical studies assessing the effectiveness of interventions designed to address MI-related symptoms. Outcome measures should include the breadth of psychosocial and spiritual impacts of MI if we are to establish the benefits of MHP and chaplaincy approaches and the potential incremental value of combining both approaches into a holistic model of care.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».