Taking a strengths-based approach to mental health in rural communities: A systematic literature review
Notice bibliographique
Résumé
OBJECTIVES: This review aimed to 1) identify existing rural strengths in the literature that proposed a relationship to mental health, 2) classify strengths into a socioecological framework, and 3) identify which strengths make a conceptual link to improved mental health. METHODS: Literature was systematically reviewed using online databases (PubMed, PsycInfo, CINAHL, and Scopus). Applicable original research studies that met the inclusion criteria, published (1990-2022) from Australia, Canada, and the United States were thematically analysed. RESULTS: Sixty-one articles from Australia (n=28, 46%), Canada (n=8, 13%), and the United States (n=25, 41%) identified mental health-strengths relationships (e.g. social networks, nature). Twenty-seven studies proposed conceptual links to improved mental health and identified potential 'mechanisms' to harness strengths (e.g. identification, referral). CONCLUSIONS: Despite an entrenched rural deficit discourse, many strengths of rural communities were identified in the literature that, using an adapted socioecological framework to categorise, may be harnessed to improve the mental health of communities across the socioecological continuum. IMPLICATIONS FOR PUBLIC HEALTH: Understanding existing strengths that are embedded in rural communities can inform future mental health policy and commissioning models in a way that is relevant and sustainable for communities, while recognising rural agency.
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 | 0,012 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,001 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,005 |
| 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 ».