“Trust in God, but tie your donkey”: Holy water priest healers’ views on collaboration with biomedical mental health services in Addis Ababa, Ethiopia
Notice bibliographique
Résumé
This exploratory qualitative study examines holy water priest healers' explanatory models and general treatment approaches toward mental illness, and their views and reflections on a collaborative project between them and biomedical practitioners. The study took place at two holy water treatment sites in Addis Ababa, Ethiopia. Twelve semi-structured interviews with holy water priest healers found eight notable themes: they held multiple explanatory models of illness, dominated by religious and spiritual understanding; they emphasized spiritual healing and empathic understanding in treatment, and also embraced biomedicine as part of an eclectic healing model; they perceived biomedical practitioners' humility and respect as key to their positive views on the collaboration; they valued recognition of their current role and contribution in providing mental healthcare; they recognized and appreciated the biomedical clinic's effectiveness in treating violent and aggressive patients; they endorsed the collaboration and helped to overcome patient and family reluctance to the use of biomedicine; they lamented the lack of spiritual healing in biomedical treatment; and they had a number of dissatisfactions and concerns, particularly the one-way referral from religious healers to the biomedical clinic. The study results show diversity in the religious healers' etiological understanding, treatment approaches and generally positive attitude and views on the collaboration. We present insights and explorations of factors affecting this rare, but much needed collaboration between traditional healers and biomedical services, and potential ways to improve it are discussed.
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 | 0,001 |
| 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 ».