Les facteurs qui influencent le rétablissement chez les personnes âgées ayant un trouble mental grave
Bibliographic record
Abstract
Le vieillissement de la population est un phénomène mondial qui touche également les personnes ayant un trouble mental grave. Entre 2000 et 2050, la proportion de la population mondiale des personnes âgées de plus de 60 ans doublera. Donc, les personnes ayant un TMG seront directement touchées par la problématique du vieillissement. C’est pourquoi cette étude s’est attardée aux facteurs qui facilitent et qui nuisent au rétablissement des personnes âgées ayant un trouble mental grave (PATMG) : a) les facteurs individuels, b) les facteurs environnementaux et c) les facteurs liés aux politiques, aux programmes et à l’intervention. Cette recherche qualitative de type exploratoire a été effectuée dans le cadre de la maîtrise en travail social à l’Université du Québec à Chicoutimi. Huit entrevues semi-dirigées ont été effectuées auprès de personnes âgées ayant un trouble mental grave des secteurs de Chicoutimi et Jonquière. Ces entrevues, enregistrées, puis retranscrites sous forme de verbatim ont ensuite été analysés à partir de l’approche bioécologique. Les résultats de cette étude mettent en évidence des facteurs individuels, environnementaux et liés à l’intervention qui ont un impact positif ou négatif sur le rétablissement des PATMG rencontrées. En ce qui concerne les facteurs individuels, le niveau d’espoir élevé des participants est un élément important de la recherche. Quant aux facteurs liés à l’environnement, la stabilité de ces différents facteurs (revenu, milieu de vie, etc.) est également un élément à retenir. Enfin, dans les facteurs liés à l’intervention, l’apport des différents services en santé mentale dans le processus de rétablissement est ressorti comme prioritaire par les participants.
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 | 0.005 | 0.014 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.003 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 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".