Analyse du Fonds pour la santé mentale des communautés noires : facteurs de succès, défis et recommandations
Bibliographic record
Abstract
Introduction En 2018, dans le but de remédier aux iniquités en matière de santé mentale subies par les Canadiens noirs, le gouvernement du Canada a annoncé un investissement de 10 millions de dollars canadiens dans un nouveau programme de l’Agence de la santé publique du Canada intitulé « Promouvoir l’équité en santé : Fonds pour la santé mentale des communautés noires ». L’objectif de cette étude est d’analyser et de rassembler les leçons tirées de ce programme, qu’il s’agisse des succès ou des défis rencontrés. Méthodologie Les chercheurs ont effectué l’analyse documentaire de 15 projets participants, à partir des rapports annuels et de fin de projet de 14 organisations. Ils ont ensuite mené des entrevues avec des représentants de neuf de ces organisations. Une conception de type étude de cas intégrée a présidé à la collecte et à l’analyse des données, qui a porté sur le contenu des rapports annuels et de fin de projet ainsi que sur les thèmes des entrevues individuelles. Résultats L’analyse des données issues des entrevues et des rapports annuels et de fin de projet a mis en lumière trois thèmes principaux : les facteurs de succès, les défis rencontrés et les leçons apprises et recommandations à l’intention des bailleurs de fonds. Les facteurs de succès sont la rétribution et les incitatifs, l’application d’un modèle de recherche-action participative et un leadership assuré par des personnes noires. Parmi les défis rencontrés, on note les retards (dans l’obtention de l’approbation en matière d’éthique et la mise en oeuvre du programme), les conséquences de la pandémie de COVID-19 et les difficultés à maintenir des partenariats. Enfin, les leçons apprises et les recommandations qui sont ressorties en ce qui concerne les bailleurs de fonds sont qu’il faudrait un financement à long terme et plus souple, une représentation et un leadership accrus des personnes noires au sein des organismes de financement et un appui plus fort aux pratiques antiracistes chez les principaux fournisseurs de services. Conclusion Notre étude a permis de rassembler à la fois les défis et les facteurs de succès en matière d’appui envers le travail destiné à améliorer la santé mentale et le bien-être des personnes noires au Canada.
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 | 0.039 | 0.087 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.004 | 0.008 |
| Science and technology studies | 0.005 | 0.005 |
| Scholarly communication | 0.010 | 0.006 |
| Open science | 0.002 | 0.005 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.010 | 0.001 |
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".