User Engagement and Usability of Suicide Prevention Apps: Systematic Search in App Stores and Content Analysis
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
BACKGROUND: People with suicidal thoughts are more inclined to seek technology-delivered interventions than in-person forms of treatment, making mobile apps for suicide prevention an ideal platform for treatment delivery. This review examines apps designed for suicide prevention, with a specific focus on user engagement. OBJECTIVE: This study aims to update the literature and broadly evaluate the landscape of mobile health apps for suicide prevention; examine apps with key features and primary approaches to suicide prevention; and systematically evaluate the engagement, functionality, aesthetics, and information of the apps. METHODS: All apps related to suicidal thoughts and behaviors were identified in the Google Play and iOS app stores and were systematically reviewed for their content and quality. The mobile app rating scale (MARS) was used to evaluate app usability and engagement. RESULTS: Of the 66 apps identified, 42 (64%) were specifically designed for people with suicidal ideation, and 59 (89%) had at least one best practice feature for suicide risk reduction. The mean overall MARS score of all apps was 3.5 (range 2.1-4.5), with 83% (55/66) of apps having a minimum acceptability score of 3. The total MARS score was not associated with the user app rating (r=-0.001; P=.99) or the number of features (r=0.24; P=.09). CONCLUSIONS: This study identified many usable and engaging apps in app stores designed for suicide prevention. However, there are only limited apps for clinicians. Thus, mobile apps for suicide prevention should be carefully developed and clinically evaluated.
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.
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 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 découle