MétaCan
Menu
← Retour à la cohorte
Enregistrement W2980474620 · doi:10.2196/16325

Making Sense of Negative Findings from Mobile Attention Bias Modification Interventions for Individuals with Addictive Disorders: Quantitative Feasibility Study

2019· article· en· W2980474620 sur OpenAlexvenueno aff
Melvyn Zhang, Jiangbo Ying, Syidda B Amron, Zaakira Mahreen, Guo Song, Daniel Fung, Helen Smith

Notice bibliographique

RevueJMIR mhealth and uhealth · 2019
Typearticle
Langueen
DomainePsychology
ThématiqueAnxiety, Depression, Psychometrics, Treatment, Cognitive Processes
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésCognitive bias modificationPsychologyBaseline (sea)Psychological interventionAttentional biasRetrainingAddictionSet (abstract data type)Clinical psychologyCognitive psychologyDevelopmental psychologyCognitive biasPsychiatryCognitionComputer science

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Advances in experimental psychology have led to a better understanding of unconscious, automatic processes that result in individuals relapsing into their substance-using habits. While some reviews have demonstrated the effectiveness of bias retraining of these unconscious biases, there have been other reviews that have highlighted that bias retraining is not always effective. Other studies have revealed there was no baseline biases among some participants. An examination of mobile bias retraining interventions has also revealed mixed results, with some reporting effectiveness and others null findings. A recent feasibility and acceptability study, done by the authors, revealed that 53% of participants have had no baseline biases and 21% of those with positive baseline biases did not have a positive change in magnitude following intervention. OBJECTIVE: The aim of this paper was to explore potential variables (demographic and clinical) that could account for the negative baseline biases in the prior feasibility and acceptability study, and to discuss some of the factors that could account for the absence of baseline biases. We also explored potential reasons for why there was no reduction in the magnitude of attentional biases among individuals with baseline biases. METHODS: Participants who were in the rehabilitation phase of their treatment were invited to participate. During the study they had to complete a set of baseline questionnaires, and on each day that they were on the ward they had to complete an attention bias assessment and modification task and rate their cravings using a visual analogue scale. Attention bias was deemed to be present if individuals had a positive score. RESULTS: In our study, 53% (16/30) of individuals did not present with baseline attentional biases, and among those with positive baseline biases a total of 21% (3/14) of participants did not have a reduction in the overall magnitude of attentional biases. Chi-square analyses undertaken to compare the demographic characteristics of participants with and without baseline biases did not reveal any significant findings. However, with respect to clinical characteristics, those who had positive baseline biases had experimented with more substances. CONCLUSIONS: Our study is one of the first to have explored negative findings in attention bias modification interventions for individuals with addictive disorders. We postulate that several factors could account for the absence of baseline biases and there being no changes following bias retraining. Future research ought to take into consideration these factors.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,068
score de la tête « metaresearch » (Gemma)0,107
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Observationnel · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,068
Score d'incertitude au seuil0,359

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0680,107
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,002
Bibliométrie0,0020,001
Études des sciences et des technologies0,0010,002
Communication savante0,0010,002
Science ouverte0,0010,002
Intégrité de la recherche0,0010,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,001

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.

Tête enseignante Opus0,261
Tête enseignante GPT0,508
Écart entre enseignants0,247 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeObservationnel
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2019
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealth→Même sujetAnxiety, Depression, Psychometrics, Treatment, Cognitive Processes→Travaux en français237 207→