Co-created data governance frameworks for youth mental healthcare: Values, principles, and implementation—A scoping review
Notice bibliographique
Résumé
Background: The collection, storage, and use of data are essential elements for advancing mental health services, clinical care, and policy. Data governance is the framework of rules and processes that guide decisions impacting how data are stored, accessed, and controlled, and is foundational for the ethical management of data overall. As digital data practices grow, governance models must reflect the values of different communities. This scoping review aims to (1) understand the values and principles that are important to youth in the governance of their mental health data, (2) identify existing implementations of co-created frameworks of values and principles for data governance, and (3) explore opportunities for integration with existing data governance frameworks. Methods: The recommended scoping review methodology by Arksey and O'Malley, alongside updated methodology by Peters et al., was followed. We searched four databases (Scopus, MEDLINE (Ovid), Embase (Ovid), and APA PsycINFO (Ovid)) on June 7, 2024 for records from 2013 to present. Results: Of 23 included studies, only four explicitly explored youths' preferences for mental health data use and co-creation of governance frameworks. None focused specifically on youths' data-related values, and few addressed issues of data governance. Important themes emerged around privacy, trust, transparency, and control. Conclusion: Findings suggest that urgent attention is required to improve data governance for youth receiving mental health services. In particular, the collaborative development of values and principles for governance frameworks of youth mental health data should be central when developing youth-centered services that collect and use these data.
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 | 0,001 | 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 | 0,001 |
| 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 ».