MétaCan
Menu
Retour à la cohorte
Enregistrement W3128966359 · doi:10.2196/21085

Development of the Niggle App for Supporting Young People on Their Dynamic Journey to Well-being: Co-design and Qualitative Research Study

2021· article· en· W3128966359 sur OpenAlexvenueno aff
Stoyan Stoyanov, Oksana Zelenko, Aleksandra Staneva, David J. Kavanagh, Calvin Smith, Gavin Sade, Jessica Cheers, Leanne Hides

Notice bibliographique

RevueJMIR mhealth and uhealth · 2021
Typearticle
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMental healthmHealthPsychologyPsychological interventionThematic analysisApplied psychologyFeelingParticipatory designQualitative researchSocial psychologySociologyPsychotherapistEngineering

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Adolescence is a life stage characterized by intense development and increased vulnerability. Yet, young people rarely seek help for mental health, often due to stigma and embarrassment. Alarmingly, even those who do seek help may not be able to receive it. Interventions focused on well-being offer a protective factor against adversity. Highly effective, innovative, theoretically sound, accessible, and engaging mobile health (mHealth) interventions that can be used to look beyond mental ill-health and toward mental well-being are urgently needed. OBJECTIVE: We aimed to explore how young Australians conceptualize and construct recovery journeys from feeling unwell to being well in order to inform the conceptual design of a youth-led information-, resource-, and support-focused mHealth intervention. METHODS: A sample of young people, grouped by age (12-15 years, 16-19 years, and 20-25 years), took part in 3 in-person participatory design workshops (per group). Young people's understanding and representation of well-being, feeling unwell, and the recovery journey were investigated using visual and linguistic data collection methods: photo elicitation and journey mapping. A social constructionist perspective was used for thematic analysis to produce a conceptual model of the recovery journey. A mobile app was co-designed and all app functions were mapped through iterative development and testing by young people and a team of psychology, research, design and information technology experts. RESULTS: Young people (n=25) described a 6-stage journey with specific barriers and coping strategies. The findings, when situated within the personal recovery framework in mental health, emphasize the cyclic and iterative model of change. Through co-design, the new app-Niggle-was conceptualized as a visual representation of an amorphous problem, which can be addressed through app functions corresponding to the most helpful strategies that young people used to progress through the stages of their recovery journey. CONCLUSIONS: Niggle is available to offer support to young people for a range of problems and provides a hot link to counseling services in Australia. This paper elaborates on the process of in-depth qualitative data collection through visual, linguistic, and co-design methods. The findings of this study give insight into young people's understanding of well-being and recovery. This paper could aid the development of high-quality personalized mHealth interventions and support resources.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,024
score de la tête « metaresearch » (Gemma)0,018
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,024
Score d'incertitude au seuil0,126

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0240,018
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,001
Études des sciences et des technologies0,0050,004
Communication savante0,0040,002
Science ouverte0,0020,006
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0030,001

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.

Tête enseignante Opus0,246
Tête enseignante GPT0,580
Écart entre enseignants0,334 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations31
Publié2021
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR mhealth and uhealthMême sujetDigital Mental Health InterventionsTravaux en français237 207