The Impact of Mobile Apps on Alcohol Use Disorder: A Systematic Review Protocol
Notice bibliographique
Résumé
BACKGROUND: Alcohol use disorder (AUD) is among the most prevalent mental disorders worldwide and is associated with a diverse range of physical and psychological comorbidities. Despite various types of treatment, there are many barriers to accessing treatment (ie, stigma, cost, accessibility of service, etc). Mobile apps have the potential to overcome these barriers and provide support to those who need it. OBJECTIVE: The purpose of this systematic review is to assess the effectiveness of mobile apps in reducing alcohol consumption for individuals with AUD and understand the psychological outcomes of using the apps (ie, client empowerment, self-efficacy, etc). METHODS: The search strategy was applied to 7 health sciences and interdisciplinary databases. Two reviewers will independently assess all titles and abstracts for relevance and then full texts of relevant articles for eligibility. To be included, the article must be a quantitative evaluation of clinical outcomes using the intervention and the intervention must be a consumer-facing app focused on supporting individuals with AUD. Two reviewers will independently extract data from all eligible articles using a standardized extraction worksheet and will independently assess the study quality. A meta-analysis will be conducted if appropriate. Depending on outcomes reported, pooled risk ratios or standardized mean differences will be calculated and reported in the review. RESULTS: The search strategy yielded 699 unique citations. Of those, 63 (9.0%, 63/699) articles were assessed as relevant for full-text review. The full-text reviews are currently underway and the final review is projected to be completed in the summer of 2017. CONCLUSIONS: There is potential for mobile apps to support individuals with AUD to reduce their alcohol consumption. This review will be the first to assess the effectiveness of AUD mobile apps and client experiences using the apps.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,062 | 0,064 |
| Méta-épidémiologie (sens strict) | 0,006 | 0,006 |
| Méta-épidémiologie (sens large) | 0,019 | 0,016 |
| Bibliométrie | 0,014 | 0,011 |
| Études des sciences et des technologies | 0,005 | 0,004 |
| Communication savante | 0,007 | 0,008 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,006 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,078 | 0,011 |
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 source (Gemma direct ou Codex distillé), 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 ».