Users’ Adoption of Mental Health Apps: Examining the Impact of Information Cues
Notice bibliographique
Résumé
BACKGROUND: Numerous mental health apps have been developed and made available to users on the current app market. Users may find it difficult and overwhelming to select apps from the hundreds of choices that are available in the app marketplace. Clarifying what information cues may impact a user's selection and adoption of mental health apps is now a critical and pressing issue. OBJECTIVE: The aim of this study was to investigate the impact of information cues on users' adoption of anxiety apps using observational data from the Android app market. METHODS: A systematic search of anxiety apps was conducted on the Android app store by using keywords search. The title and metadata information of a total of 274 apps that met our criteria were collected and analyzed. Three trained researchers recorded the app rankings from the search results page on different dates and Web browsers. RESULTS: Our results show that ratings (r=.56, P<.001) and reviews (r=.39, P<.001) have significant positive correlations with the number of installs, and app prices have significant negative correlations with installs (r=-.36). The results also reveal that lower-priced apps have higher ratings (r=-.23, P<.001) and a greater number of app permission requests (r=.18, P=.002) from the device. For app titles, we found that apps with titles related to symptoms have significantly lower installs than apps with titles that are not related to symptoms (P<.001). CONCLUSIONS: This study revealed a relationship between information cues and users' adoption of mental health apps by analyzing observational data. As the first of its kind, we found impactful indicators for mental health app adoptions. We also discovered a labeling effect of app titles that could hinder mental health app adoptions and which may provide insight for future designs of mental health apps and their search mechanisms.
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 | 0,000 |
| 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 | 0,001 |
| 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 ».