Scaling up the task-sharing of psychological therapies: A formative study of the PEERS smartphone application for supervision and quality assurance in rural India
Notice bibliographique
Résumé
Measurement-based peer supervision is one strategy to assure the quality of psychological treatments delivered by non-mental health specialist providers. In this formative study, we aimed to 1) describe the development and 2) examine the acceptability and feasibility of PEERS (Promoting Effective mental healthcare through peER Supervision)-a novel smartphone app that aims to facilitate registering and scheduling patients, collecting patient outcomes, rating therapy quality and assessing supervision quality-among frontline treatment providers delivering behavioral activation treatment for depression. The PEERS prototype was developed and tested in 2021, and version 1 was launched in 2022. To date, 215 treatment providers (98% female; ages 30-35) in Madhya Pradesh and Goa, India, have been trained to use PEERS and 65.58% have completed the supplemental, virtual PEERS course. Focus group discussions with 98 providers were examined according to four themes-training and education, app effectiveness, user experience and adherence and data privacy and safety. This yielded commonly endorsed facilitators (e.g., collaborative learning through group supervision, the convenience of consolidated patient data), barriers (e.g., difficulties with new technologies) and suggested changes (e.g., esthetic improvements, suicide risk assessment prompt). The PEERS app has the potential to scale measurement-based peer supervision to facilitate quality assurance of psychological treatments across contexts.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 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 | 0,000 |
| 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 ».