Managing and Controlling Stress Using mHealth: Systematic Search in App Stores
Notice bibliographique
Résumé
BACKGROUND: Traditional stress management techniques have been proven insufficient to tackle the needs of today's population. Computational-based techniques and now mobile health (mHealth) apps are showing promise to enable ease of use and access while educating end users on self-management. OBJECTIVE: The main aim of this paper was to put forward a systematic review of mHealth apps for stress management. METHODS: The scenario chosen for this study consists of a sample of the most relevant mHealth apps found on the British and Spanish online stores of the two main mobile operating systems: iOS and Android. The apps have been categorized and scored base on their impact, presence, number of results, language, and operating system. RESULTS: A total of 433 different mobile apps for stress management was analyzed. Of these apps, 21.7% (94/433) belonged to the "relaxing music" category, 10.9% (47/433) were in the "draw and paint" category, 1.2% (5/433) belonged to the "heart rate control" category, and 1.2% (5/433) fell under "integral methodology." Only 2.0% (8/433) of the apps qualified as high or medium interest while 98.0% were low interest. Furthermore, 2.0% (8/433) of the apps were available on both iOS and Android, and 98% of apps ran on only one platform (iOS or Android). CONCLUSIONS: There are many low-value apps available at the moment, but the analysis shows that they are adding new functionalities and becoming fully integrated self-management systems with extra capabilities such as professional assistance services and online support communities.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| 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 ».