L’évaluation des problèmes de santé mentale chez les adultes selon une approche multi-informateurs avec les instruments du Achenbach System of Empirically Based Assessment
Bibliographic record
Abstract
La gestion des problèmes de santé mentale représente un enjeu majeur de santé publique au Québec. Par conséquent, répondre aux besoins biopsychosociaux des personnes atteintes de problèmes de santé mentale occupe une position qualifiée de majeure dans le système de santé (Fleury et Grenier, 2013). Obtenir un emploi implique de multiples processus de planification et de prise de décision. Ces processus peuvent être une expérience particulièrement difficile pour les personnes souffrant d’un problème de santé mentale. L’accompagnement professionnel est donc un facteur important à l’égard de l’insertion et du maintien en emploi pour cette population. Il s’avère cependant nécessaire de bien évaluer la condition de l’individu au cours du processus d’accompagnement afin de permettre des interventions ajustées aux besoins et aux caractéristiques psychologiques de la personne cliente. Pour l’évaluation des personnes atteintes de problèmes de santé mentale, les instruments psychométriques s’avèrent des outils d’évaluation fort utiles aux professionnels œuvrant en santé mentale et en relations humaines. La méthode multi-informateurs est d’ailleurs une méthode qui permet de combiner les évaluations de plusieurs informateurs dans le but d’obtenir un pronostic d’évaluation plus valide et complet (Roskam, Stievenart, Meunier, Van De Moortele, Kinoo, et Nassogne, 2009). Les instruments Achenbach System of Empirically Based Assenssment (ASEBA) utilisent d’ailleurs la méthode multi-informateurs. Ce mémoire porte sur ces instruments et a permis de vérifier le degré d’association entre l’ASR et l’ABCL ainsi que d’évaluer la contribution relative de chaque répondant pour dépister la présence de problèmes de santé mentale. Pour ce faire, un échantillon de 40 personnes hospitalisées en psychiatrie a été recruté au Département de psychiatrie de l’Estrie-CHUS, soit 24 femmes et 16 hommes, âgées entre 18 et 56 ans. Afin de répondre au premier objectif de recherche, qui est de vérifier le degré d’association entre l’ASR et l’ABCL, des corrélations entre les échelles syndromiques de ces instruments ont été calculées. Les résultats obtenus soutiennent que les corrélations entre les échelles syndromiques de l’ASR et de l’ABCL sont de tailles moyennes ou grandes pour 5 des 8 échelles, soient : anxiété-dépression, comportement agressif, comportement transgressif, comportement intrusif, problèmes de la pensée. Ensuite, une série de régressions logistiques ont été réalisées afin de répondre à l’objectif 2, qui est d’évaluer la contribution relative de chaque répondant pour l’évaluation des troubles de santé mentale. La combinaison de certaines échelles révèle qu’aucun répondant ne permet de distinguer les patients qui ont, ou non, un diagnostic de trouble de santé mentale. Pour d’autres combinaisons, aucune des deux versions de l’instrument n’a de contribution relative unique, c’est-à-dire qu’aucun des deux répondants ne permet de mieux distinguer ledit trouble. Finalement, les résultats de certaines combinaisons révèlent que la version auto-rapportée permet de mieux distinguer les personnes ayant un trouble de santé mentale de sa catégorie que les comportements rapportés par une tierce personne. Les limites de ce mémoire sont principalement liées à l’échantillon. D’abord parce qu’il est de petite taille. Ensuite, la variabilité des répondants à l’ABCL (conjoint, intervenant, etc.) peut amener une hétérogénéité dans les évaluations recueillies. Finalement, étant donné que l’échantillon est composé de personnes patientes hospitalisées, et par le fait même sous traitement, il est possible que leurs symptômes diffèrent entre le moment de l’hospitalisation, de l’établissement du diagnostic (variable critère) et lors de la passation de l’ASR diminuant ainsi la sensibilité et la spécificité observées dans les régressions logistiques (Le Corff et al., 2018a). Il demeure pertinent de procéder à la validation de la version canadienne- française de l’ABCL afin de vérifier si les résultats seront aussi satisfaisants que ceux de l’ASR.
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 | 0.027 | 0.037 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.002 | 0.002 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.002 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.004 | 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".