Developing an explanatory theoretical model for engagement with a web-based mental health platform: results of a mixed methods study
Notice bibliographique
Résumé
BACKGROUND: With the growing need for accessible, high-quality mental health services, especially during the COVID-19 pandemic, there has been increasing development and uptake of web-based interventions in the form of self-directed mental health platforms. The Big White Wall (BWW) is a web-based platform for people experiencing mental illness and addiction that offers a range of evidence-based self-directed treatment strategies. Drawing on existing data from a large-scale evaluation of the implementation of BWW in Ontario, Canada (which involved a pragmatic randomized controlled trail with an embedded qualitative process evaluation), we sought to investigate the influences on the extent to which people engage with BWW. METHODS: In this paper we drew on BWW trial participants' usage data (number of logins) and the qualitative data from the process evaluation that explored participants' experiences, engagement with and reactions to BWW. RESULTS: Our results showed that there were highly complex relationships between the influences that contributed to the level of engagement with BWW intervention. We found that a) how people expected to benefit from using a platform like BWW was an important indicator of their future usage, b) moderate perceived symptoms were linked with higher engagement; whereas fewer actual depressive symptoms predicted use and anxiety had a positive linear relationship with usage, and that c) usage depended on positive early experiences with the platform. CONCLUSIONS: Our findings suggest that the nature of engagement with platforms such as BWW is not easily predicted. We propose a theoretical framework for explaining the level of user engagement with BWW that might also be generalizable to other similar platforms.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| 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 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 ».