Stress Management Apps With Regard to Emotion-Focused Coping and Behavior Change Techniques: A Content Analysis
Notice bibliographique
Résumé
BACKGROUND: Chronic stress has been shown to be associated with disease. This link is not only direct but also indirect through harmful health behavior such as smoking or changing eating habits. The recent mHealth trend offers a new and promising approach to support the adoption and maintenance of appropriate stress management techniques. However, only few studies have dealt with the inclusion of evidence-based content within stress management apps for mobile phones. OBJECTIVE: The aim of this study was to evaluate stress management apps on the basis of a new taxonomy of effective emotion-focused stress management techniques and an established taxonomy of behavior change techniques. METHODS: Two trained and independent raters evaluated 62 free apps found in Google Play with regard to 26 behavior change and 15 emotion-focused stress management techniques in October 2015. RESULTS: The apps included an average of 4.3 behavior change techniques (SD 4.2) and 2.8 emotion-focused stress management techniques (SD 2.6). The behavior change technique score and stress management technique score were highly correlated (r=.82, P=.01). CONCLUSIONS: The broad variation of different stress management strategies found in this sample of apps goes in line with those found in conventional stress management interventions and self-help literature. Moreover, this study provided a first step toward more detailed and standardized taxonomies, which can be used to investigate evidence-based content in stress management interventions and enable greater comparability between different intervention types.
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 | 0,000 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 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 ».