MétaCan
Menu
← Retour à la cohorte
Enregistrement W4410776415 · doi:10.3389/fpsyt.2025.1534349

Clustering change patterns among learners of an online Recovery College in Quebec

2025· article· en· W4410776415 sur OpenAlexafffundabout
Filippo Rapisarda, Catherine Briand, Catherine Vallée, B. Vachon, Galaad Lefay

Notice bibliographique

RevueFrontiers in Psychiatry · 2025
Typearticle
Langueen
DomaineHealth Professions
ThématiqueMental Health and Patient Involvement
Établissements canadiensUniversité de MontréalUniversité LavalUniversité du Québec à Trois-RivièresInstitut Universitaire en Santé Mentale de Québec
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésCluster analysisPsychologyMedical educationComputer scienceMedicineArtificial intelligence

Résumé

récupéré en direct d'OpenAlex

Introduction: Recovery Colleges (RCs) are educational hubs offering free courses on mental health, well-being, and recovery through mutual and transformative learning. These co-learning spaces bring together individuals with diverse backgrounds-such as those with lived experience of mental illness, family members, and mental health practitioners-to collaboratively produce knowledge on mental health topics. Studies have shown RC participation leads to improvements in several psychosocial dimensions (e.g. mental health literacy, empowerment, well-being, reduced anxiety, stigma) and healthcare utilization. However, the methodological approach of averaging outcomes across all participants can mask important individual differences in experiences and outcomes, which is particularly significant given the heterogeneity of RC learners. In light of these limitations, this study aims to explore the heterogeneity of change among RC learners by identifying different trajectories of change and exploring their determinants. Methods: The study adopts a quasi-experimental longitudinal design with repeated measures, utilizing data from 353 participants recruited from a French-language RC in Quebec, Canada. Data were collected at three time points: baseline (T0) prior to program participation, one-month post-program (T1), and three to four months post-program (T2). The study uses clustering techniques to identify distinct patterns of change across participants, focusing on key outcome measures such as well-being, anxiety, resilience, empowerment, and stigma. Results: The results identified three distinct clusters of change trajectories. The largest cluster (Cluster A) demonstrated moderate improvements in well-being, anxiety reduction, and slight increases in empowerment and resilience. Cluster B, characterized by participants with higher baseline well-being and lower stigma, showed improvements in empowerment and a slight reduction in stigma, often linked to participants with clinical backgrounds, such as healthcare practitioners. Cluster C, primarily composed of participants with clinical levels of anxiety and lower baseline empowerment, exhibited significant reductions in anxiety and increases in empowerment over time. Discussion: This study contributes to a more nuanced understanding of the diverse outcomes associated with RC participation and highlights the importance of tailoring RC programs to meet the heterogeneous needs of learners. It also reinforces the role of empowerment as a central mechanism of change within the RC model, suggesting that empowerment fosters not only personal growth but also improved well-being and reduced stigma.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,002
score de la tête « metaresearch » (Gemma)0,004
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: Observationnel
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,052
Score d'incertitude au seuil0,177

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0020,004
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0010,002
Études des sciences et des technologies0,0030,001
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0030,000

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.

Tête enseignante Opus0,099
Tête enseignante GPT0,386
Écart entre enseignants0,288 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2025
Routes d'admission3
Résumé présentoui

Explorer davantage

Même revueFrontiers in Psychiatry→Même sujetMental Health and Patient Involvement→Travaux en français237 207→