Young People's Response to Six Smartphone Apps for Anxiety and Depression: Focus Group Study
Notice bibliographique
Résumé
BACKGROUND: Suicide is one of the most frequent causes of death in young people worldwide. Depression lies at the root of this issue, a condition that has a significant negative impact on the lives of those who experience it and on society more generally. However, 80% of affected young people do not obtain professional help for depression and other mental health issues. Therefore, a key challenge is to find innovative and appealing ways to engage young people in learning to manage their mental health. Research suggests that young people prefer to access anonymous Web-based programs rather than get face-to-face help, which has led to the development of numerous smartphone apps. However, the evidence indicates that not all of these apps are effective in engaging the interest of young people who are most in need of help. OBJECTIVE: The study aimed to investigate young people's response to six currently available smartphone apps for mental health and to identify features that young people like and dislike in such apps. METHODS: Focus groups were conducted with 23 young people aged 13 to 25 years in which they viewed and used six smartphone apps for mental health. A general inductive approach following a realist paradigm guided data analysis. RESULTS: The results revealed that young people value autonomy and the opportunity to personalize experiences with these apps above other things. Finding a balance between simplicity and informativeness is also an important factor. CONCLUSIONS: App developers need to consider using participant-design frameworks to ensure that smartphone apps are providing what young people want in a mental health app. Solutions to the need for personalization and increasing user engagement are also crucially 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 | 0,001 | 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 | 0,000 | 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 | 0,001 |
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 ».