Teaching empathy to mental health practitioners and trainees: Pairwise and network meta-analyses.
Notice bibliographique
Résumé
OBJECTIVE: Empathy is a foundational therapeutic skill and a key contributor to client outcome, yet the best combination of instructional components for its training is unclear. We sought to address this by investigating the most effective instructional components (didactic, rehearsal, reflection, observation, feedback, mindfulness) and their combinations for teaching empathy to practitioners. METHOD: Studies included were randomized controlled trials targeted to mental health practitioners and trainees, included a quantitative measure of empathic skill, and were available in English. A total of 36 studies (37 samples) were included (N = 1,616). Two reviewers independently extracted data. Data were pooled by using random-effects pairwise meta-analysis and network meta-analysis (NMA). RESULTS: Overall, empathy interventions demonstrated a medium-to-large effect (d = .78, 95% CI [.58, .99]). Pairwise meta-analysis showed that one of the six instructional components was effective: didactic (d = .91 vs. d = .39, p = .02). None of the program characteristics significantly impacted intervention effectiveness (group vs. individual format, facilitator type, number of sessions). No publication bias, risk of bias, or outliers were detected. NMA, which allows for an examination of instructional component combinations, revealed didactic, observation, and rehearsal were included among the most effective components to operate in combination. CONCLUSIONS: We have identified instructional component, singly (didactic) and in combination (didactic, rehearsal, observation), that provides an efficient way to train empathy in mental health practitioners. (PsycInfo Database Record (c) 2022 APA, all rights reserved).
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 | 0,006 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,001 |
| 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 ».