A Web-Disseminated Self-Help and Peer Support Program Could Fill Gaps in Mental Health Care: Lessons From a Consumer Survey
Notice bibliographique
Résumé
BACKGROUND: Self-guided mental health interventions that are disseminated via the Web have the potential to circumvent barriers to treatment and improve public mental health. However, self-guided interventions often fail to attract consumers and suffer from user nonadherence. Uptake of novel interventions could be improved by consulting consumers from the beginning of the development process in order to assess their interest and their preferences. Interventions can then be tailored using this feedback to optimize appeal. OBJECTIVE: The aim of our study was to determine the level of public interest in a new mental health intervention that incorporates elements of self-help and peer counseling and that is disseminated via a Web-based training course; to identify predictors of interest in the program; and to identify consumer preferences for features of Web-based courses and peer support programs. METHODS: We surveyed consumers via Amazon's Mechanical Turk to estimate interest in the self-help and peer support program. We assessed associations between demographic and clinical characteristics and interest in the program, and we obtained feedback on desired features of the program. RESULTS: Overall, 63.9% (378/592) of respondents said that they would try the program; interest was lower but still substantial among those who were not willing or able to access traditional mental health services. Female gender, lower income, and openness to using psychotherapy were the most consistent predictors of interest in the program. The majority of respondents, although not all, preferred romantic partners or close friends as peer counselors and would be most likely to access the program if the training course were accessed on a stand-alone website. In general, respondents valued training in active listening skills. CONCLUSIONS: In light of the apparent public interest in this program, Web-disseminated self-help and peer support interventions have enormous potential to fill gaps in mental health care. The results of this survey can be used to inform the design of such interventions.
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.
Comment cette classification a été obtenuedéplier
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».