Evidence-based programming for vulnerable youth: Successes and challenges of implementing healthy relationships programs in diverse settings
Notice bibliographique
Résumé
In recent years a variety of evidence-based programs have been developed to promote mental health and reduce violence among youth, including those considered to be the most at risk. However, simply providing evidence-based programming to settings that serve vulnerable youth does not ensure the efficacy of these programs because of the unique contextual factors, strengths, and needs of those youth and settings. There is often a disparity between the efficacy of a program identified in a research context and the effectiveness of a program in its application in real world settings. The purpose of this study was to explore this gap through investigating the successes and challenges of implementing healthy relationships programs (the HRP and HRP-E) in a variety of contexts where vulnerable youth receive support. These contexts included school systems, community mental health, the youth justice sector, and child welfare. Semi-structured interviews and implementation surveys were used. Thematic analysis was used to analyse qualitative data, and descriptive statistics were used for quantitative data. Through using a mixed-methods approach, the goal was to explore the experiences and perspectives of the communities in which the HRP and HRP-E were being implemented, with the ultimate goal of facilitating more effective programming and research in the future. The results of this study found that there are a variety of successes and challenges that are universal across contexts, as well as numerous outcomes unique to specific contexts. To organize the results of this study and embed the findings within implementation research, the Consolidated Framework for Advancing Implementation Science (CFIR) was used.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| 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 ».