Non-clinical interventions and services for individuals with suicide distress or crisis: an Accelerated Evidence Snapshot
Notice bibliographique
Résumé
The NSW Suicide Monitoring System recorded 933 suspected or confirmed suicide deaths in 2023, highlighting the need for effective prevention strategies. The Towards Zero Suicides (TZS) initiative funds non-clinical crisis services like Safe Havens and Suicide Prevention Outreach Teams (SPOTs), providing peer-led, community-based support to individuals in distress. This Evidence Check aimed to evaluate the effectiveness and acceptability of such interventions for people aged 16 and over, informing potential refinements or new approaches in NSW. Fifteen studies from Australia, the US, Canada, Denmark, Belgium, and the UK were reviewed. Digital interventions, including self-help tools, social media campaigns, and crisis text lines, were accessible and well-received, especially among young people. Community-led programs like Wesley LifeForce Networks and Deadly Thinking improved local suicide prevention capacity. Crisis support services, such as Lifeline’s follow-up calls, were linked to reduced suicide risk. Workplace programs, like MATES in Energy, enhanced suicide literacy but showed mixed results for improving mental health. Peer-led and co-designed interventions were generally more engaging and relevant to service users. However, most studies had short-term follow-up, limiting assessments of long-term impact. Research gaps exist for Indigenous and LGBTQIA+ communities, and many studies lacked control groups, making causal links difficult to establish. Moving forward, a combination of digital, community-based, and workplace interventions is recommended. Sustained funding, long-term evaluation, and targeted research are essential to improving non-clinical suicide prevention strategies and ensuring their effectiveness for diverse populations.
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 | 0,047 | 0,085 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,008 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,006 | 0,006 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 ».