Is There an App for That?: Ethical Issues in the Digital Mental Health Response to COVID-19
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
Well before COVID-19, there was growing excitement about the potential of various digital technologies such as tele-health, smartphone apps, or AI chatbots to revolutionize mental healthcare. As the SARS-CoV-2 virus spread across the globe, clinicians warned of the mental illness epidemic within the coronavirus pandemic. Now, funding for digital mental health technologies is surging and many researchers are calling for widespread adoption to address the mental health sequelae of COVID-19. Reckoning with the ethical implications of these technologies is urgent because decisions made today will shape the future of mental health research and care for the foreseeable future. We contend that the most pressing ethical issues concern (1) the extent to which these technologies demonstrably improve mental health outcomes and (2) the likelihood that wide-scale adoption will exacerbate the existing health inequalities laid bare by the pandemic. We argue that the evidence for efficacy is weak and that the likelihood of increasing inequalities is high. First, we review recent trends in digital mental health. Next, we turn to the clinical literature to show that many technologies proposed as a response to COVID-19 are unlikely to improve outcomes. Then, we argue that even evidence-based technologies run the risk of increasing health disparities. We conclude by suggesting that policymakers should not allocate limited resources to the development of many digital mental health tools and should focus instead on evidence-based solutions to address mental health inequalities.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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