A Mobile App for the Self-Report of Psychological Well-Being During Pregnancy (BrightSelf): Qualitative Design Study
Notice bibliographique
Résumé
BACKGROUND: Maternal mental health impacts both parental well-being and childhood development. In the United Kingdom, 15% of women are affected by depression during pregnancy or within 1 year of giving birth. Suicide is a leading cause of perinatal maternal mortality, and it is estimated that >50% of perinatal depression cases go undiagnosed. Mobile technologies are potentially valuable tools for the early recognition of depressive symptoms, but complex design challenges must be addressed to enable their use in public health screening. OBJECTIVE: The aim of this study was to explore the issues and challenges surrounding the use of mobile phones for the self-report of psychological well-being during pregnancy. METHODS: This paper presents design research carried out as part of the development of BrightSelf, a mobile app for the self-report of psychological well-being during pregnancy. Design sessions were carried out with 38 participants, including pregnant women, mothers, midwives, and other health professionals. Overall, 19 hours of audio were fully transcribed and used as the basis of thematic analysis. RESULTS: The study highlighted anxieties concerning the pregnancy journey, challenges surrounding current approaches to the appraisal of well-being in perinatal care, and the midwife-patient relationship. Designers should consider the framing of perinatal mental health technologies, the experience of self-report, supporting self-awareness and disclosure, providing value to users through both self-report and supplementary features, and designing for longitudinal engagement. CONCLUSIONS: This study highlights the needs, motivations, and anxieties of women with respect to technology use in pregnancy and implications for the design of mobile health technologies.
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 | 0,001 | 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 | 0,000 |
| 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 ».