Le défi du traitement et de la prévention des troubles concomitants sur la base de données probantes
Bibliographic record
Abstract
Au cours des vingt dernières années, au Canada et aux États-Unis, la forte prévalence des troubles concomitants de santé mentale et de toxicomanie a suscité un intérêt accru, tout spécialement à l’égard des traitements. Les réseaux de services en toxicomanie et en santé mentale s’étant développés en parallèle, la manière d’intégrer les traitements représente un enjeu incontournable des meilleures pratiques d’intervention. Comme ces pratiques ont surtout été développées pour les clientèles qui souffrent de troubles graves et persistants de santé mentale, qui sont les moins aptes à négocier les services qu’elles requièrent, le modèle d’intégration des services dispensés par une seule équipe s’est imposé. En ce qui a trait aux autres clientèles, la pertinence de ce modèle mérite toutefois d’être questionnée. Dans les domaines du traitement et de la prévention, les études indiquent que les interventions les plus efficaces sont celles qui impliquent plusieurs milieux. Dans ce contexte, il est proposé de poursuivre la recherche en examinant l’arrimage possible de l’expertise développée sur le plan des traitements à celle du domaine de la prévention, tout spécialement pour les clientèles à risque, afin de développer des approches plus efficientes.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.122 | 0.307 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.004 | 0.003 |
| Bibliometrics | 0.011 | 0.008 |
| Science and technology studies | 0.003 | 0.007 |
| Scholarly communication | 0.015 | 0.013 |
| Open science | 0.006 | 0.007 |
| Research integrity | 0.004 | 0.006 |
| Insufficient payload (model declined to judge) | 0.008 | 0.003 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".