Understanding eHealth Cognitive Behavioral Therapy Targeting Substance Use: Realist Review
Notice bibliographique
Résumé
BACKGROUND: There is a growing body of evidence regarding eHealth interventions that target substance use disorders. Development and funding decisions in this area have been challenging, due to a lack of understanding of what parts of an intervention work in which context. OBJECTIVE: We conducted a realist review of the literature on electronic cognitive behavioral therapy (eCBT) programs for substance use with the goal of answering the following realist question: "How do different eCBT interventions for substance use interact with different contexts to produce certain outcomes?" METHODS: A literature search of published and gray literature on eHealth programs targeting substance use was conducted. After data extraction, in order to conduct a feasible realist review in a timely manner, the scope had to be refined further and, ultimately, only included literature focusing on eCBT programs targeting substance use. We synthesized the available evidence from the literature into Context-Mechanism-Outcome configurations (CMOcs) in order to better understand when and how programs work. RESULTS: A total of 54 papers reporting on 24 programs were reviewed. Our final results identified eight CMOcs from five unique programs that met criteria for relevance and rigor. CONCLUSIONS: Five strategies that may be applied to future eCBT programs for substance use are discussed; these strategies may contribute to a better understanding of mechanisms and, ultimately, may help design more effective solutions in the future. Future research on eCBT programs should try to understand the mechanisms of program strategies and how they lead to outcomes in different contexts.
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 | 0,013 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,007 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,006 | 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 ».