Users’ experiences of an online intervention for bipolar disorder: important lessons for design and evaluation
Notice bibliographique
Résumé
BACKGROUND: The evidence base for digital interventions for physical and mental health, including severe and enduring mental health difficulties, is increasing. In a feasibility trial, web-based Enhanced Relapse Prevention (ERPonline) for bipolar disorder demonstrated high recruitment and retention rates. Relative to participants in the waitlist control group, those who received ERPonline showed increased monitoring for early warning signs of relapse and had developed more positive illness models. OBJECTIVE: To understand users' motivations and barriers for taking part in an online/telephone-based trial, and for engagement with ERPonline. METHODS: 19) were analysed using framework analysis to identify themes relevant to study aims. FINDINGS: Participants took part due to the convenient, flexible and rewarding aspects of the trial design, as well as a desire to improve the mental health of themselves and others. Barriers included extensive assessments, practical difficulties and mood. ERPonline was was generally considered to be accessible, relevant and straightforward, but there were individual preferences regarding design, content and who it was for. Several participants reported positive changes, but there was a sense that digital interventions should not replace routine care. CONCLUSIONS: There are a number of barriers and facilitators to consider when evaluating and implementing digital interventions. Individual preferences and human contact were key factors for both trial design and engagement with an online intervention. CLINICAL IMPLICATIONS: Digital interventions should be co-produced, personalised, interactive and embedded as one component in a broader package of care. TRIAL REGISTRATION NUMBER: ISRCTN56908625; Post-results.
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 | 0,003 | 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 ».