Mental Health Messages in Prominent Mental Health Apps
Notice bibliographique
Résumé
PURPOSE: Many who seek primary health care advice about mental health may be using mobile applications (apps) claiming to improve well-being or relieve symptoms. We aimed to identify how prominent mental health apps frame mental health, including who has problems and how they should be managed. METHODS: We conducted a qualitative content analysis of advertising material for mental health apps found online in the United States, the United Kingdom, Canada, and Australia during late 2016. Apps were included if they explicitly referenced mental health diagnoses or symptoms and offered diagnosis and guidance, or made health claims. Two independent coders analyzed app store descriptions and linked websites using a structured, open-ended instrument. We conducted interpretive analysis to identify key themes and the range of messages. RESULTS: We identified 61 mental health apps: 34 addressed predominantly anxiety, panic, and stress (56%), 16 addressed mood disorders (26%), and 11 addressed well-being or other mental health issues (18%). Apps described mental health problems as being psychological symptoms, a risk state, or lack of life achievements. Mental health problems were framed as present in everyone, but everyone was represented as employed, white, and in a family. Explanations about mental health focused on abnormal responses to mild triggers, with minimal acknowledgment of external stressors. Therapeutic strategies included relaxation, cognitive guidance, and self-monitoring. Apps encouraged frequent use and promoted personal responsibility for improvement. CONCLUSIONS: Mental health apps may promote medicalization of normal mental states and imply individual responsibility for mental well-being. Within the health care clinician-patient relationship, such messages should be challenged, where appropriate, to prevent overdiagnosis and ensure supportive health care where needed.
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 | 0,001 |
| 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 ».