Engagement With a Trauma Recovery Internet Intervention Explained With the Health Action Process Approach (HAPA): Longitudinal Study
Notice bibliographique
Résumé
BACKGROUND: There has been a growing trend in the delivery of mental health treatment via technology (ie, electronic health, eHealth). However, engagement with eHealth interventions is a concern, and theoretically based research in this area is sparse. Factors that influence engagement are poorly understood, especially in trauma survivors with symptoms of posttraumatic stress. OBJECTIVE: The aim of this study was to examine engagement with a trauma recovery eHealth intervention using the Health Action Process Approach theoretical model. Outcome expectancy, perceived need, pretreatment self-efficacy, and trauma symptoms influence the formation of intentions (motivational phase), followed by planning, which mediates the translation of intentions into engagement (volitional phase). We hypothesized the mediational effect of planning would be moderated by level of treatment self-efficacy. METHODS: Trauma survivors from around the United States used the eHealth intervention for 2 weeks. We collected baseline demographic, social cognitive predictors, and distress symptoms and measured engagement subjectively and objectively throughout the intervention. RESULTS: The motivational phase model explained 48% of the variance, and outcome expectations (beta=.36), perceived need (beta=.32), pretreatment self-efficacy (beta=.13), and trauma symptoms (beta=.21) were significant predictors of intention (N=440). In the volitional phase, results of the moderated mediation model indicated for low levels of treatment self-efficacy, planning mediated the effects of intention on levels of engagement (B=0.89, 95% CI 0.143-2.605; N=115). CONCLUSIONS: Though many factors can affect engagement, these results offer a theoretical framework for understanding engagement with an eHealth intervention. This study highlighted the importance of perceived need, outcome expectations, self-efficacy, and baseline distress symptoms in the formation of intentions to use the intervention. For those low in treatment self-efficacy, planning may play an important role in the translation of intentions into engagement. Results of this study may help bring some clarification to the question of what makes eHealth interventions work.
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
Étiquettes directes de modèles (non validées)
Étiquettes de catégorie et de devis d'étude par modèle, issues des rondes d'étiquetage. C'est une sortie machine, non validée, et le désaccord entre modèles est livré comme donnée. Aucun devis ici n'est encore validé contre MEDLINE.
| Bras | Catégories | Devis d'étude | Confiance |
|---|---|---|---|
| gemma | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | high |
| gpt | aucune catégorie Domaine: non disponible · Genre: Empirique Porte sur le système de recherche canadien: non · Porte sur un sujet canadien: non | Observationnel | high |
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 | 0,006 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 validéeÉtiqueté directement par 2 modèles lisant le dossier complet.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».