The impact of employment programs on common mental disorders: A systematic review
Notice bibliographique
Résumé
BACKGROUND: While employment programs were not created with the intent to improve common mental disorders (CMDs), they may have a positive impact on the prevalence, incidence, and severity of CMD by reducing poverty and increasing access to economic mobility. AIM: To examine and synthesize the available quantitative evidence of the impact of employment programs on outcomes of CMD. METHODS: Embase, Econlit, Global Health, MEDLINE, APA PsychINFO, and Social Policy and Practice were searched for experimental and quasi-experimental studies which investigated the impact of employment programs on primary and secondary outcomes of a CMD. A narrative synthesis according to Popay was conducted. The methodological quality of studies was assessed with the Cochrane Risk of Bias tool and the Newcastle-Ottawa Assessment Scale. RESULTS: Of the 1,327 studies retrieved, two randomized controlled trials, one retrospective cohort, one pilot study with a non-randomized experimental design, and one randomized field experiment were included in the final review. Employment programs generally included multiple components such as skills-based training, and hands-on placements. Depression and anxiety were the CMDs measured as primary or secondary outcomes within included studies. Findings regarding the impact of employment programs on CMD were mixed with two studies reporting significantly positive effects, two reporting no effects, and one reporting mixed effects. The quality among included studies was good overall with some concerns regarding internal validity. CONCLUSION: Employment programs may support a decrease in the prevalence, incidence, and severity of CMDs. However, there is high heterogeneity among study effects, designs, and contexts. More research is needed to gain further insight into the nature of this association and the mechanisms of impact. This review highlights the potential for employment programs and other poverty-reduction interventions to be utilized and integrated into the wider care, prevention, and treatment of common-mental disorders.
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 | 0,007 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,007 |
| Bibliométrie | 0,009 | 0,009 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 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 ».