Antiracist mental healthcare training and development of multicultural awareness, knowledge and skills among school mental health providers in Canada
Notice bibliographique
Résumé
In Canada, mental health disparities persist among racialized populations, including Black, Indigenous and other people of color. A major barrier to equitable care is the lack of adequate training of mental health professionals on racial issues. To address this unmet need, Cénat and colleagues introduced the Providing Antiracist Mental Health Care online training course. This contains five modules addressing: (a) awareness of racial issues, (b) assessment adapted to the needs of racialized individuals, (c) a humanistic approach to medication management, (d) treatment approaches for issues related to racism, and (e) providing tailored antiracist mental healthcare to children, adolescents, and families from racialized communities. This article discusses the implementation of this training among mental health providers in a school board in Ontario, Canada ( n = 27), assessing changes in participants’ multicultural awareness, knowledge, and skills at pre-, post-, and follow-up timepoints. The results show the ability of the Providing Antiracist Mental Health Care training course to effectively enhance multicultural awareness ( F (2, 21) = 10.52, p < .001), knowledge ( F (2, 21) = 11.88, p < .001) and skills ( F (2, 21) = 5.21, p = .014) among mental health providers in ethnically diverse schools. The total score improved significantly ( F (2, 20) = 12.17, p < .001) from pre-test to post-test, and follow-up, and no significant decrement from the post-test to follow-up was observed ( M = 2.81, SD = 0.16; p = .861). This study brings evidence supporting the need for sustained and comprehensive antiracist training initiatives to foster racial equity in mental health and improve outcomes in care for racialized individuals.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 ».