From not knowing to doing: An interprofessional approach to clinician training in use of Goal Attainment Scaling (GAS) as a recovery‐oriented outcome measure in a rural mental health service
Notice bibliographique
Résumé
Outcome measurement and feedback are key to quality improvement in healthcare. Goal attainment scaling (GAS) is a tool that could be used to measure outcomes of mental health services delivering recovery-oriented care. The objective of this prospective study was to evaluate the effectiveness of tailored, interprofessional, multilevel and adaptable GAS training on clinician views, learning, competence, performance and confidence in the use of GAS. Thematic analysis of eight clinician participant views was done using the method proposed by Braun and Clarke (Thematic analysis: a practical guide to understanding and doing, 2022). Four main themes were generated: clinicians found that this type of training is useful, GAS influenced the way they thought about their roles in goal setting and recovery-oriented care and COVID-19 pandemic impacts. Furthermore, clinicians' skills to set scalable GAS goals with consumers and clinician confidence in using GAS improved. The results of this study show a positive impact of tailored, interprofessional, multilevel and adaptable training supporting development of clinician skills in the GAS process. The training design had a favourable effect on clinician views, learning, competence, performance and confidence of GAS as a recovery-oriented outcome measure. The approach to GAS training and use of GAS as a recovery-oriented outcome measure should be considered in response to mental health service reform.
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 | 0,022 | 0,033 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,007 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».