Understanding how social businesses influence the stigma of mental illness
Bibliographic record
Abstract
Les entreprises sociales ont été développées à l'extérieur du système de santé mentale officiel afin d'augmenter les perspectives d'embauche des personnes avec un problème de santé mentale qui, par ailleurs, détiennent le taux de chômage le plus élevé de tous les groupes de personnes ayant un handicap. Cette étude a pour but de mieux comprendre comment ces entreprises sociales expérimentent et influencent la stigmatisation des personnes atteintes de maladies mentales où celle-ci est connue pour être particulièrement présente et bien ancrée. Une étude de cas comparative a été menée auprès de cinq entreprises sociales situées dans des villes canadiennes. Des sources de données incluaient l'observation de participants; 44 interviews individuels et de groupe avec 76 participants à l'étude; et documents. Basés sur une analyse de cas multiple des données utilisant une méthode comparative constante, les résultats décrivent les efforts des promoteurs d'entreprises sociales de créer un lieu de travail légitime et économiquement viable où la stigmatisation est réduite, et où les employés atteints de maladie mentale peuvent s'identifier comme des travaillants capables et comme des citoyens ordinaires. Les risques de stigmatisation de la maladie mentale ont émergé dans le contexte des conditions d'affaires et du marketing social; par rapport avec les entreprises sociales et le système en santé mentale, l'impact de la stigmatisation provenant du public et la stigmatisation de l'employé sur les opérations d'affaires et d'environnements. Les éléments qui pourraient réduire ou neutraliser la stigmatisation de personnes atteintes de maladie mentale ayant un emploi, aussi bien que des implications de l`étude pour le Service Social, sont discutés.
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 | 0.004 | 0.013 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.002 | 0.001 |
| Science and technology studies | 0.004 | 0.006 |
| Scholarly communication | 0.007 | 0.005 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.001 |
| Insufficient payload (model declined to judge) | 0.006 | 0.000 |
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".