Designing an mHealth Intervention for People With Visible Differences Based on Acceptance and Commitment Therapy: Participatory Study Gaining Stakeholders’ Input
Notice bibliographique
Résumé
BACKGROUND: Given their growing popularity, mobile health (mHealth) apps may offer a viable method of delivering psychological interventions for people with an atypical appearance (ie, visible difference) who struggle with appearance-related distress. Acceptance and Commitment Therapy (ACT), a third-wave cognitive behavioral approach, has been used effectively in mHealth and is being increasingly applied clinically to common psychosocial difficulties associated with visible differences. We planned to design an ACT-based mHealth intervention (ACT It Out) for this population. OBJECTIVE: The aim of this study is to gain key stakeholder input from user representatives and psychological clinicians to optimize the intervention's design for future development and uptake. To do so, we explored considerations relating to mHealth as a delivery platform for adults with visible differences and elicited stakeholders' design preferences and ideas based on initial author-created content. METHODS: Within a participatory design framework, we used a mix of qualitative methods, including usability sessions and a focus group in a face-to-face workshop, and interviews and textual feedback collected remotely, all analyzed using template analysis. A total of 6 user representatives and 8 clinicians were recruited for this study. RESULTS: Our findings suggest that there are likely to be strengths and challenges of mHealth as an intervention platform for the study population, with key concerns being user safeguarding and program adherence. Participants expressed design preferences toward relatable human content, interactive and actionable features, flexibility of use, accessibility, and engaging content. CONCLUSIONS: The findings offer valuable design directions for ACT It Out and related interventions, emphasizing the need to carefully guide users through the intervention while acknowledging the limited time and space that mHealth affords.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,031 | 0,030 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,003 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 source (Gemma direct ou Codex distillé), 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 ».