Preferences for Digital Smartphone Mental Health Apps Among Adolescents: Qualitative Interview Study
Notice bibliographique
Résumé
BACKGROUND: Mental health digital apps hold promise for providing scalable solutions to individual self-care, education, and illness prevention. However, a problem with these apps is that they lack engaging user interfaces and experiences and thus potentially result in high attrition. Although guidelines for new digital interventions for adults have begun to examine engagement, there is a paucity of evidence on how to best address digital interventions for adolescents. As adolescence is a period of transition, during which the onset of many potentially lifelong mental health conditions frequently occurs, understanding how best to engage this population is crucial. OBJECTIVE: The study aims to detect potential barriers to engagement and to gather feedback on the current elements of app design regarding user experience, user interface, and content. METHODS: This study used a qualitative design. A sample of 14 adolescents was asked to use the app for 1 week and was interviewed using a semistructured interview schedule. The interviews were transcribed and analyzed using thematic analysis. RESULTS: Overall, 13 participants completed the interviews. The authors developed 6 main themes and 20 subthemes based on the data that influenced engagement with and the perceived usefulness of the app. Our main themes were timing, stigma, perception, congruity, usefulness, and user experience. CONCLUSIONS: In line with previous research, we suggest how these aspects of app development should be considered for future apps that aim to prevent and manage mental health conditions.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,001 |
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.
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 ».