mHealth in the Wild: Using Novel Data to Examine the Reach, Use, and Impact of PTSD Coach
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: A majority of Americans (58%) now use smartphones, making it possible for mobile mental health apps to reach large numbers of those who are living with untreated, or under-treated, mental health symptoms. Although early trials suggest positive effects for mobile health (mHealth) interventions, little is known about the potential public health impact of mobile mental health apps. OBJECTIVE: The purpose of this study was to characterize reach, use, and impact of "PTSD Coach", a free, broadly disseminated mental health app for managing posttraumatic stress disorder (PTSD) symptoms. METHODS: Using a mixed-methods approach, aggregate mobile analytics data from 153,834 downloads of PTSD Coach were analyzed in conjunction with 156 user reviews. RESULTS: Over 60% of users engaged with PTSD Coach on multiple occasions (mean=6.3 sessions). User reviews reflected gratitude for the availability of the app and being able to use the app specifically during moments of need. PTSD Coach users reported relatively high levels of trauma symptoms (mean PTSD Checklist Score=57.2, SD=15.7). For users who chose to use a symptom management tool, distress declined significantly for both first-time users (mean=1.6 points, SD=2.6 on the 10-point distress thermometer) and return-visit users (mean=2.0, SD=2.3). Analysis of app session data identified common points of attrition, with only 80% of first-time users reaching the app's home screen and 37% accessing one of the app's primary content areas. CONCLUSIONS: These findings suggest that PTSD Coach has achieved substantial and sustained reach in the population, is being used as intended, and has been favorably received. PTSD Coach is a unique platform for the delivery of mobile mental health education and treatment, and continuing evaluation and improvement of the app could further strengthen its public health impact.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle