Keeping men in mind: practitioner self-efficacy and e-learning implementation one year following training to engage men in therapy
Notice bibliographique
Résumé
E-learning is a common mode of professional development for mental health practitioners. However, program outcomes are rarely studied beyond 3-month follow-up, and limited research has examined barriers and facilitators to the implementation of e-learning in mental health practitioners. This gap is pronounced when considering programs aiming to upskill practitioners to engage and respond to help-seeking men. The current study examined the self-efficacy and learning implementation among practitioners one year following the completion of an e-learning program (Men in Mind) focused on strategies for engaging male clients in psychotherapy. A cross-sectional follow-up survey including open response items was administered to 117 practitioners (70.9% female; mean age 44.6 years) sampled from a prior RCT evaluating primary outcomes of Men in Mind. Quantitative results indicated closely comparable average self-efficacy for the current sample one year following the completion of the RCT, relative to the separate but overlapping sample of RCT participants at 3-months post-training. In particular, most practitioners reported confidence to engage suicidal men at 1-year follow-up (77.8% compared to 76.5% at 3-month follow-up). Qualitative findings provided insight into how Men in Mind informed practitioners’ confidence and capacity to leverage masculinity for engagement, alongside their perceptions of the impact of these changes on their male clients (e.g. improved engagement, willingness to discuss emotions and vulnerability). Qualitative reports of implementation barriers included a lack of time and/or opportunity to practice new skills, while facilitators included the suite of practical resources provided with Men in Mind. Results suggest the potential maintenance of self-efficacy gains 1-year following completion of Men in Mind, reinforcing the value of practitioner training to engage help-seeking men and the importance of delineating paths to implementation of learning.
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 | 0,013 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».