Developing a Framework for Mental Health Disclosure Decision-Making Among Medical Students: A Qualitative Pilot Study
Notice bibliographique
Résumé
Purpose American medical students exhibit higher rates of depression, anxiety, and psychological distress than age-matched members of the general population, yet the majority of students do not seek help for these conditions. A necessary precursor to help-seeking is disclosure, or the sharing of one’s diagnosis or symptoms with others. This pilot study aims to explore mental health disclosure decision-making among medical students. Design Semi-structured qualitative interviews. Setting Students were interviewed virtually using Zoom. Participants 20 students enrolled in nine American undergraduate medical education institutions (MD or DO). Method Interviews were audio-recorded and transcribed. Using Constructivist Grounded Theory (CGT) and iterative cycles of analysis with focused and theoretical coding, a preliminary framework was developed to represent mental health disclosure decision-making among medical students. Results The proposed framework presents three factors that impact students’ disclosure decisions: Assessing Anticipated Outcomes , Evaluating Priorities , and Determining Appropriate Recipients . The framework also identifies two moderating variables— Disclosure Goals and Severity and Type of Symptom s—that affect students’ perspectives on outcomes and recipients. Conclusion This pilot study highlights the complexity of student disclosure decision-making. While limited by the small sample size, the results suggest the importance of considering student perspectives on disclosure recipients, communication surrounding disclosure outcomes, and the flexibility of student schedules when pursuing future projects related to medical student well-being and mental health disclosure.
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 | 0,026 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».