Attention and Cognitive Bias Modification Apps: Review of the Literature and of Commercially Available Apps
Notice bibliographique
Résumé
BACKGROUND: Automatic processes, such as attentional biases or interpretative biases, have been purported to be responsible for several psychiatric disorders. Recent reviews have highlighted that cognitive biases may be modifiable. Advances in eHealth and mHealth have been harnessed for the delivery of cognitive bias modification. While several studies have evaluated mHealth-based bias modification intervention, no review, to our knowledge, has synthesized the evidence for it. In addition, no review has looked at commercial apps and their functionalities and methods of bias modification. A review is essential in determining whether scientifically validated apps are available commercially and the proportion of commercial apps that have been evaluated scientifically. OBJECTIVE: The objective of this review was primarily to determine the proportion of attention or cognitive bias modification apps that have been evaluated scientifically and secondarily to determine whether the scientifically evaluated apps were commercially available. We also sought to identify commercially available bias modification apps and determine the functionalities of these apps, the methods used for attention or cognitive bias modification, and whether these apps had been evaluated scientifically. METHODS: To identify apps in the published literature, we searched PubMed, MEDLINE, PsycINFO, and Scopus for studies published from 2000 to April 17, 2018. The search terms used were "attention bias" OR "cognitive bias" AND "smartphone" OR "smartphone application" OR "smartphone app" OR "mobile phones" OR "mobile application" OR mobile app" OR "personal digital assistant." To identify commercial apps, we conducted a manual cross-sectional search between September 15 and 25, 2017 in the Apple iTunes and Google Play app stores. The search terms used to identify the apps were "attention bias" and "cognitive bias." We also conducted a manual search on the apps with published evaluations. RESULTS: The effectiveness of bias modification was reported in 7 of 8 trials that we identified in the published literature. Only 1 of the 8 previously evaluated apps was commercially available. The 17 commercial apps we identified tended to use either an attention visual search or gamified task. Only 1 commercial app had been evaluated in the published literature. CONCLUSIONS: This is perhaps the first review to synthesize the evidence for published mHealth attention bias apps. Our review demonstrated that evidence for mHealth attention bias apps is inconclusive, and quite a few commercial apps have not been validated scientifically.
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 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 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,016 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,007 | 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 validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».