Developing an Adaptive Mobile Intervention to Address Risky Substance Use Among Adolescents and Emerging Adults: Usability Study
Notice bibliographique
Résumé
BACKGROUND: Substance use among adolescents and emerging adults continues to be an important public health problem associated with morbidity and mortality. Mobile health (mHealth) provides a promising approach to deliver just-in-time adaptive interventions (JITAIs) to prevent escalation of use and substance use-related consequences. OBJECTIVE: This pilot study aims to describe the iterative development and initial feasibility and acceptability testing of an mHealth smartphone app, called MiSARA, designed to reduce escalation in substance use. METHODS: We used social media advertisements to recruit youth (n=39; aged 16-24 years, who screened positive for past-month binge drinking or recreational cannabis use) with a waiver of parental consent. Participants used the MiSARA app for 30 days, with feasibility and acceptability data reported at a 1-month follow-up. We present descriptive data regarding behavior changes over time. RESULTS: The results show that most participants (31/39, 79%) somewhat liked the app at least, with most (29/39, 74%) rating MiSARA as 3 or more stars (out of 5). Almost all participants were comfortable with self-reporting sensitive information within the app (36/39, 92%); however, most participants also desired more interactivity (27/39, 69%). In addition, participants' substance use declined over time, and those reporting using the app more often reported less substance use at the 1-month follow-up than those who reported using the app less often. CONCLUSIONS: The findings suggest that the MiSARA app is a promising platform for JITAI delivery, with future trials needed to optimize the timing and dose of messages and determine efficacy.
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 | 0,001 | 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 | 0,001 |
| 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 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 ».