Factors Influencing Mental Health Literacy in Indian Tribal Communities
Notice bibliographique
Résumé
Aims: About 9% of India’s population is made up of tribal communities consisting 120 million people nationwide. The mental health literacy of these communities is an unexplored topic. This literature review is aimed to identify and summarise existing factors that influence mental health literacy of the tribal communities in India and use this information to develop a survey questionnaire to support the development of a community radio programme. Methods: SCOPUS, PubMed, Cochrane Library, Web of Science Journal, and Google Scholar were searched for peer-reviewed articles published in English from 1991–2024. Qualitative, quantitative, and mixed methods studies focusing on mental health knowledge and awareness reported from India were selected following PRISMA. Papers were appraised using the Calgary Health Region critical appraisal tool and extracted data were analysed using a narrative synthesis. The key findings were used to develop a survey questionnaire to support the development of a community radio programme to promote mental health literacy among the Indian tribal population. Results: Out of 103 papers initially identified, 11 papers were chosen for full text review, data extraction, and analysis upon critical appraisal. Cultural differences, access to healthcare, economic status and lack of education were found to be key factors influencing mental health in tribal communities, through the investigation. Conclusion: The corresponding survey questionnaire was thus divided into multiple sections spanning demographic group, socio-economic status, attitude towards mental health, and care-seeking behaviour/prevention, to survey and promote mental health literacy. Through the study, it was established that mental health literacy of tribal communities is mainly impacted by access to education, cultural differences, healthcare access, and economic deprivation. Further research must be conducted to evaluate how mental health literacy can be promoted through survey questionnaire and community media/radio within tribal Indian communities.
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 | 0,004 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».