MétaCan
Menu
Retour à la cohorte
Enregistrement W3167600522 · doi:10.2196/28677

User Perspectives on a Resilience-Building App (JoyPop): Qualitative Study

2021· article· en· W3167600522 sur OpenAlexaffvenue
Aislin R. Mushquash, Erin S Pearson, Kayla Waddington, Angela MacIsaac, Shakira Mohammed, Elizabeth Grassia, Savanah Smith, Christine Wekerle

Notice bibliographique

RevueJMIR mhealth and uhealth · 2021
Typearticle
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensMcMaster UniversityLakehead University
Organismes subventionnairesnon disponible
Mots-clésPsychological interventionMoodPsychologymHealthPsychological resilienceApplied psychologyResilience (materials science)Sample (material)Qualitative researchClinical psychologySocial psychologyPsychiatry

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Resilience is the capability, resources, and processes that are available to a person or system to adapt successfully in the face of stress or adversity. Given that resilience can be enhanced, using advances in technology to deliver and evaluate the impact of resilience interventions is warranted. Evidence supports the effectiveness of the resilience-building JoyPop app in improving resilience-related outcomes after use; however, experiential data from users is also needed to provide a more comprehensive account of its utility. OBJECTIVE: The aim of this study was to explore users' experiences with the JoyPop app and their perspectives on its utility. METHODS: This qualitative description study involved a combination of group and one-on-one semistructured interviews with a subset of first-year undergraduate students who participated in a larger evaluation of the JoyPop app. Participants used the app for a 4-week period and were subsequently asked about their frequency of app use, most and least used features (and associated reasons), most and least helpful features (and associated reasons), barriers to use, facilitators of use and continuation, and recommendations for improvement. Data were coded and categorized through inductive content analysis. RESULTS: The sample of 30 participants included 24 females and 6 males, with a mean age of 18.77 years (SD 2.30). App use ranged from 1 to 5 times daily (mean 2.11, SD 0.74), with the majority indicating that they used the app at least twice daily. The Rate My Mood, Journal, and SquareMoves features were reported to be used most often, while the Rate My Mood, Journal, and Breathing Exercises features were identified as the most helpful. A number of themes and subthemes pertaining to facilitators of app use (prompts, creating routine, self-monitoring opportunities, expressive opportunities), barriers to app use (editing, lack of variety, student lifestyle), outcomes of app use (increased awareness, checking in with oneself, helpful distraction, emotional control), and recommendations for app improvement (adding more features, enhancing existing features, enhancing tracking abilities, providing personalization) were identified. CONCLUSIONS: This study provides insight into the aspects of the JoyPop app that motivated and benefitted users, as well as measures that can be taken to improve user experiences and promote longer-term uptake. Users were willing to engage with the app and incorporate it into their routine, and they valued the ability to self-monitor, express emotion, and engage in distraction.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,001
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut 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 enseignants0,329
Score d'incertitude au seuil0,988

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0010,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,001
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,101
Tête enseignante GPT0,527
Écart entre enseignants0,426 · 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 tête enseignante, 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

Citations34
Publié2021
Routes d'admission2
Résumé présentoui

Explorer davantage

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