Digital Community Inclusion of Individuals With Serious Mental Illness: A National Survey to Map Digital Technology Use and Community Participation Patterns in the Digital Era
Notice bibliographique
Résumé
BACKGROUND: Despite the growing interest in developing and using mobile health (mHealth) and digital technologies in mental health, little is known about the scope and nature of virtual community inclusion. OBJECTIVE: The overarching goal of this study was to understand and conceptualize virtual community inclusion of individuals with serious mental illness (SMI). Specific objectives of this study were as follows: (1) mapping the prevalence, trends, and experiences related to mHealth and digital technology use among individuals with SMI; (2) comparing patterns of technology use by individuals with and those without SMI; and (3) examining whether use of mHealth and digital technologies predicts recovery among individuals with SMI. METHODS: A web-based survey of technology use and virtual participation was developed and distributed among adults with and those without SMI via social media, national email discussion lists, nonprofit organizations, and advocacy groups. RESULTS: A total of 381 adults aged 18 years or older participated in the survey, of whom 199 (52%) identified as having a SMI. Participants with SMI reported significantly greater access to technology and significantly fewer days of face-to-face participation in community activities than those without SMI. Among participants with SMI, greater technology use was positively associated with positive emotions and significantly predicted recovery. CONCLUSIONS: This study is the first to explore, map, and conceptualize virtual community inclusion among adults with SMI. Our findings indicate a gap in the literature and research on community inclusion and participation, and emphasize the need for virtual community inclusion, particularly during the COVID-19 pandemic and its future implications.
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 enseignantsNi 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.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), 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 ».