Apps for Mental Health: An Evaluation of Behavior Change Strategies and Recommendations for Future Development
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Mobile applications have shown promise in supporting people with mental health issues to adopt healthy lifestyles using various persuasive strategies. However, the extent to which mental health apps successfully employ various persuasive strategies remains unknown. Hence, it is important to understand the persuasive strategies integrated into mental health applications (apps) and how they are implemented to promote mental health. This paper aims to achieve three main objectives. First, we review 103 mental health apps and identify distinct persuasive strategies incorporated in them using the Persuasive Systems Design (PSD) model and Behaviour Change Techniques (BCTs). We further classify the persuasive strategies based on the type of mental health issues the app is focused on. Second, we reveal the various ways that the persuasive strategies are implemented/operationalized in mental health apps to achieve their intended objectives. Third, we examine the relationship between apps effectiveness (measured by user ratings) and the persuasive strategies employed. To achieve this, two researchers independently downloaded and used all identified apps to identify the persuasive strategies using the PSD model and BCTs. Next, they also examine the various ways that these strategies are implemented in mental health apps. The results show that the apps employed 26 distinct persuasive strategies and a range of 1 to 10 strategies per app. Self-monitoring (n=59), personalization (n=55), and reminder (n=49) were the most frequently employed strategies. We also found that anxiety, stress, depression, and general mental health issues were the common mental health issues targeted by the apps. Finally, we offer some design recommendations for designing mental health apps based on our findings.
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.
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 | 0,000 |
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 découle