Resilience‐Focused Approaches for School‐Age Australian First Nations Populations: A Systematic Review of Influential Factors
Notice bibliographique
Résumé
INTRODUCTION: Building resilience has been identified as a key way to improve the wellbeing of children. However, there are currently no reviews of the evidence that explore factors influencing resilience in Australian First Nations School-age youth. OBJECTIVE: We aimed to review the literature on factors influencing resilience in school-age (5-19 years) Australian First Nations populations. We also explored how resilience is defined and operationalised, how factors identified mapped onto the Social and Emotional Wellbeing (SEWB) model and whether there were differences in factors depending on age and residential localities. DESIGN: We conducted a systematic review of published peer-reviewed articles that included the identification or review of factors influencing resilience in our target population. We searched key databases and performed a narrative synthesis. FINDINGS: Of the 1093 articles identified, 13 were found to meet inclusion criteria. Fifty-one different factors influencing resilience were identified across individual, interpersonal and community socio-ecological levels. DISCUSSION: The 51 factors mapped cohesively onto the SEWB domains. There was inconclusive data to determine if factors were dependent on the participants' age and location. Key limitations of the literature on this topic included the limited number of available studies and the lack of definitions and consistent operationalisation of resilience within the few existing studies. CONCLUSION: Our findings show the wide variety of factors that influence resilience in this population and demonstrate the importance of incorporating SEWB domains into wellbeing and resilience-focused programmes in Australian schools for First Nations 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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,005 | 0,002 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».