Text4Hope: Receiving Daily Supportive Text Messages for 3 Months During the COVID-19 Pandemic Reduces Stress, Anxiety, and Depression
Notice bibliographique
Résumé
Abstract Background: This study reports on the changes in stress, anxiety, and depressive symptoms of subscribers after 3 months using Text4Hope, a supportive text messaging program designed to provide support during the pandemic. Methods: Standardized self-report measures were used to evaluate perceived stress (measured with the Perceived Stress Scale-10 [PSS-10]), anxiety (measured with the General Anxiety Disorder Scale 7 [GAD-7]), and depressive symptoms (measured with the Patient Health Questionnaire [PHQ-9]), at baseline and 3rd month ( n = 373). Results: After 3 months of using Text4Hope, subscribers’ self-reports revealed significant ( p < 0.001) mean score reductions compared with baseline on: the GAD-7 by 22.7%, PHQ-9 by 10.3%, and PSS-10 scores by 5.7%. Reductions in inferred prevalence rates for moderate to high symptoms were also observed, with anxiety demonstrating the largest reduction (15.7%). Conclusions: Observed Text4Hope-related reductions in psychological distress during COVID-19 indicate that Text4Hope is an effective, convenient, and accessible means of implementing a population-level psychological intervention.
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 | 0,001 |
| 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 | 0,001 | 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 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 ».