The Importance of User Segmentation for Designing Digital Therapy for Adolescent Mental Health: Findings From Scoping Processes
Notice bibliographique
Résumé
BACKGROUND: New Zealand youth, especially those of Māori and Pacific descent, have high rates of depression, anxiety, and self-harm, but have low rates of help-seeking from mental health professionals. Apps, computerized therapy, and other digital tools can be effective, highly scalable treatments for anxiety and depression. Co-design processes are often used to foster engagement with end users, but this does not always lead to high levels of engagement. OBJECTIVE: We aimed to carry out preliminary scoping to understand adolescents' current internet use and diversity of preferences to inform a planned co-design process for creating digital mental health tools for teenagers. METHODS: Interactive workshops and focus groups were held with young people. Data were analyzed using a general inductive approach. RESULTS: Participants (N=58) engaged in 2 whānau (extended family) focus groups (n=4 and n=5), 2 school- or community-based focus groups (n=9 each), and 2 workshops (n=11 and n=20). The authors identified 3 overarching themes: (1) Digital mental health tools are unlikely to be successful if they rely solely on youth help-seeking. (2) A single approach is unlikely to appeal to all. Participants had diverse, noncompatible preferences in terms of look or feel of an app or digital tool. The authors identified 4 user groups players or gamers, engagers, sceptics, and straight-talkers. These groups differed by age and degree of current mental health need and preferred gamified or fun approaches, were open to a range of approaches, were generally disinterested, or preferred direct-to-the-point, serious approaches, respectively. (3) Digital mental health tools should provide an immediate response to a range of different issues and challenges that a young person may face. CONCLUSIONS: Defining the preferences of different groups of users may be important for increasing engagement with digital therapies even within specific population and mental health-need groups. This study demonstrates the importance of scoping possible user needs to inform design processes.
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 ».