Mobile Health Program to Reduce Psychological Treatment Gap in Mental Healthcare in Alberta Through Daily Supportive Text Messages – Cross-sectional Survey Evaluating Text4Mood
Notice bibliographique
Résumé
Background To complement the oversubscribed counselling services in Alberta, the Text4Mood program which delivers daily supportive text messages to subscribers was launched on the 18th of January, 2016. This report presents an evaluation of self-reports of the impact of the program on the mental wellbeing of subscribers. Methods An online link to a survey questionnaire was created by an expert group and delivered via text messages to mobile phones of all 4111 active subscribers of the Text4Mood program as of April 11, 2016. Results Overall, 894 subscribers answered the survey (overall response rate 21.7%). The response rate for individual questions varied and is reported alongside the results. Most respondents were female (83%, n = 668), Caucasian (83%, n = 679), and diagnosed with a psychiatric disorder (38%, n = 307), including Depression (25.4%, n = 227) and Anxiety (20%, n = 177). Overall, 52% ( n = 461) signed up for Text4Mood to help elevate their mood and 24.5% ( n = 219) signed up to help them worry less. Most respondents felt the text messages made them more hopeful about managing issues in their lives (81.7%, n = 588), feel in charge of managing depression and anxiety (76.7%, n = 552), and feel connected to a support system (75.2%, n = 542). The majority of respondents felt Text4Mood improved their overall mental well-being (83.1%, n = 598). Conclusion Supportive text messages are a feasible and acceptable way of delivering adjunctive psychological interventions. Given that text messages are affordable, readily available, and can be delivered to thousands of people simultaneously, they present an opportunity to help close the psychological treatment gap for mental health patients.
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 | 0,004 | 0,001 |
| 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 | 0,002 | 0,001 |
| 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 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 ».