The "Hot Potato" of Mental Health App Regulation: A Critical Case Study of the Australian Policy Arena
Notice bibliographique
Résumé
BACKGROUND: Health apps are a booming, yet under-regulated market, with potential consumer harms in privacy and health safety. Regulation of the health app market tends to be siloed, with no single sector holding comprehensive oversight. We sought to explore this phenomenon by critically analysing how the problem of health app regulation is being presented and addressed in the policy arena. METHODS: We conducted a critical, qualitative case study of regulation of the Australian mental health app market. We purposively sampled influential policies from government, industry and non-profit organisations that provided oversight of app development, distribution or selection for use. We used Bacchi's critical, theoretical approach to policy analysis, analysing policy solutions in relation to the ways the underlying problem was presented and discussed. We analysed the ways that policies characterised key stakeholder groups and the rationale policy authors provided for various mechanisms of health app oversight. RESULTS: We identified and analysed 29 policies from Australia and beyond, spanning 5 sectors: medical device, privacy, advertising, finance, and digital content. Policy authors predominantly framed the problem as potential loss of commercial reputations and profits, rather than consumer protection. Policy solutions assigned main responsibility for app oversight to the public, with a heavy onus on consumers to select safe and high-quality apps. Commercial actors, including powerful app distributors and commercial third parties were rarely subjects of policy initiatives, despite having considerable power to affect app user outcomes. CONCLUSION: A stronger regulatory focus on app distributors and commercial partners may improve consumer privacy and safety. Policy-makers in different sectors should work together to develop an overarching regulatory framework for health apps, with a focus on consumer protection.
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 | 0,036 | 0,049 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,004 | 0,004 |
| Études des sciences et des technologies | 0,039 | 0,036 |
| Communication savante | 0,012 | 0,011 |
| Science ouverte | 0,004 | 0,015 |
| Intégrité de la recherche | 0,008 | 0,010 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».