Attrition in an Online Loneliness Intervention for Adults Aged 50 Years and Older: Survival Analysis
Notice bibliographique
Résumé
BACKGROUND: Online interventions can be as effective as in-person interventions. However, attrition in online intervention is high and potentially biases the results. More importantly, high attrition rates might reduce the effectiveness of online interventions. Therefore, it is important to discover the extent to which factors affect adherence to online interventions. The setting for this study is the online Friendship Enrichment Program, a loneliness intervention for adults aged 50 years and older. OBJECTIVE: This study examined the contribution of severity of loneliness, coping preference, activating content, and engagement in attrition within an online intervention. METHODS: Data were collected from 352 participants in an online loneliness intervention for Dutch people aged 50 years and older. Attrition was defined as not completing all 10 intervention lessons. The number of completed lessons was assessed through the management system of the intervention. We tested 4 hypotheses on attrition by applying survival analysis (Cox regression). RESULTS: Of the 352 participants who subscribed to the intervention, 46 never started the introduction. The remaining 306 participants were divided into 2 categories: 73 participants who did not start the lessons of the intervention and 233 who started the lessons of the intervention. Results of the survival analysis (n=233) showed that active coping preference (hazard ratio [HR]=0.73), activating content (HR=0.71), and 2 indicators of engagement (HR=0.94 and HR=0.79) lowered attrition. Severity of loneliness was not related to attrition. CONCLUSIONS: To reduce attrition, developers of online (loneliness) interventions may focus on stimulating active behavior within the intervention.
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 | 0,000 | 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 | 0,000 | 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 ».