Evaluation of a Training Program Prototype to Promote the Adoption of Clinical Mental Health Assessment Best Practices Among Primary Care Nurses: A Research Protocol
Notice bibliographique
Résumé
Introduction: Nurses play an essential role in the detection and assessment of mental health issues. However, adopting best assessment practices in mental health remains challenging for primary care nurses (PCN). Objectives: This article presents a study protocol aimed at evaluating the acceptability and the perceived effects of a training program prototype to enhance the adoption of best practices in mental health assessment by PCNs. Additionally, the study explores the feasibility of involving PCNs clinical supervisors in the training process. Methods: The 6-week training program was developed using a living lab approach, combining individual and group activities, focusing on reflective practice and clinical support. A mixed-methods approach combining quantitative and qualitative designs will be used, with data collected from 10 to 20 PCNs and 2 to 4 clinical supervisors. Five questionnaires will assess the acceptability of the program (following each activity), while perceived effects will be explored through 3 questionnaires at 3 time points: pre-, immediately post-, and 4 to 6 months post-program. Qualitative interviews will also be conducted with PCNs and PCN clinical supervisors (immediately post- and 4 to 6 months post-program) to explore the acceptability, perceived effects of the program and the feasibility of involving PCN clinical supervisors in the program. Discussion and Research Spin-offs: By evaluating the acceptability and perceived effects of this innovative continuing education program for mental health assessment, this project could provide valuable insights for adapting and testing the program in other settings and with a broader population.
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 | 0,102 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,003 | 0,002 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».