From Small Ripples to a Sea Change: Elucidating Long-Term and Multi-Level Youth Mental Health Intervention Impacts Using Ripple Effects Mapping
Notice bibliographique
Résumé
Ripple effects mapping (REM), a qualitative participatory approach to intervention evaluation, is gaining recognition as a useful method for elucidating the long-term intended and unintended impacts of complex public health interventions. The present study applied an adapted REM approach to capture systems and community change associated with the Agenda Gap program. This population-level youth mental health promotion intervention is embedded in multi-sectoral partnerships with long-term and relational outcomes post-program that are difficult to elucidate using traditional program evaluation methods. Using transcript and mind map data generated through an REM process with former Agenda Gap youth collaborators and adult allies, reflexive thematic analysis supported the construction of three thematic program outcomes: (1) Reimagining Future Possibilities, (2) Systems Integration: Transforming School Practices, and (3) Progressing From Ripple Effects to Sea Change. Spanning socioecological levels (i.e., individual, family, community, and societal), the outcomes and their associated sub-themes captured the meaningful impacts experienced by Agenda Gap participants, as well as those more distal to the intervention, in the years following implementation. These findings demonstrate the substantive, multi-level impacts of the program and also illustrate how qualitative, participatory approaches, such as REM, can complement other forms of evaluation to reveal outcomes that are typically overlooked. Recommendations and implications for future research and applications of REM are offered.
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 | 0,037 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,005 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 ».