Using Machine Learning and Thematic Analysis Methods to Evaluate Mental Health Apps Based on User Reviews
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
The proliferation of smartphones has led to an increase in mobile health (mHealth) apps over the years. Thus, it is imperative to evaluate these apps by identifying shortcomings or barriers hampering effective delivery of intended services. In this paper, we evaluate 104 mental health apps on Google Play and App Store by performing sentiment analysis of 88125 user reviews using machine learning (ML), and then conducting thematic analysis on the reviews. We implement and compare the performance of five classifiers using supervised ML algorithms that are widely used for solving classification problems. The best performing classifier, with F1-score of 89.42%, was then used in predicting the sentiment polarity of reviews. Next, we conduct a thematic analysis of positive and negative reviews to identify themes representing various factors affecting the effectiveness of mental health apps positively and negatively. Our results uncover 21 negative themes and 29 positive themes. The negative themes fall under the following categories: usability issues, content issues, ethical issues, customer support issues, and billing issues. Some of the positive themes include aesthetically pleasing interface, app stability, customizability, high-quality content, content variation/diversity, personalized content, privacy and security, and low-subscription cost. Finally, we offer design recommendations on how the identified negative factors can be tackled to improve the effectiveness of mental health apps.
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) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,001 | 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