Perceptions of Mobile Apps for Smoking Cessation Among Young People in Community Mental Health Care: Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: Young adults with serious mental illness are over twice as likely to have tobacco use disorder than those in the general population and are less likely to utilize proven treatment methods during quit attempts. However, little research has evaluated the efficacy of interventions for this group. Smartphone apps may be an underutilized tool for tobacco use disorder among young adults with serious mental illness. OBJECTIVE: The aim of this study was to explore attitudes toward smoking cessation apps and preferences regarding app design in young adult smokers with serious mental illness. METHODS: Five focus groups involving 25- to 35-year-old adults with serious mental illness receiving treatment at a community mental health center were conducted between May 2019 and August 2019. Three researchers independently coded transcripts and identified themes using thematic analysis. RESULTS: Participants (n=22) were individuals who smoke daily: 10 (46%) self-identified as female, 18 (82%) self-identified as White, and 9 (41%) had psychotic disorders. Key themes that emerged included a general interest in using health apps; a desire for apps to provide ongoing motivation during a quit attempt via social support, progress tracking, and rewards; a desire for apps to provide distraction from smoking; concerns about app effectiveness due to a lack of external accountability; and concerns that apps could trigger cravings or smoking behavior by mentioning cigarettes or the act of smoking. CONCLUSIONS: Apps have the potential to support smoking cessation or reduction efforts among young adults with serious mental illness. However, they may require tailoring, optimization, and clinical support to effectively promote cessation in this population.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».