Données d’utilisation d’un autotraitement guidé en ligne pour promouvoir la résilience après une catastrophe naturelle
Notice bibliographique
Résumé
Objectives Despite the existence of several online treatments for people with posttraumatic stress disorder (PTSD), few studies have examined usage data for such interventions. Given the potential of the online modality to alleviate barriers limiting access to psychological help, it is important to document users' interactions with these tools in relation to the improvement of targeted symptoms. The objective of this study is to document usage data of the online treatment platform RESILIENT by people evacuated from the Fort McMurray, Alberta (Canada) fires, and to examine their association with the effectiveness of treatment on symptoms of posttraumatic stress disorder (PTSD), insomnia and depression, and adherence to treatment, as measured by the number of modules accessed by participants. Methods Ninety-seven people evacuated from the Fort McMurray fires with symptoms of PTSD, insomnia and depression were included in this study. Participants were invited to use the RESILIENT platform, an online therapist-assisted self-help treatment program that targets PTSD symptoms, sleep and mood, and includes 12 modules offering evidence-based cognitive-behavioural therapy (CBT) strategies. Both objective (e.g., number of modules accessed) and subjective (e.g., level of effort invested) usage data were collected. Results In order to predict the reduction in PTSD, depression and insomnia symptoms, as well as the number of modules accessed by participants, sequential regression models were conducted, with statistical control for pretreatment symptoms, age and gender. The final models revealed that a reduction in PTSD, depression and insomnia symptoms was significantly predicted by the number of modules accessed (β = -.41; -.53; -.49 respectively, all p <.001) as well as the mean self-reported level of effort at module 7 (midway) (β = -.43; p <.001; β = -.38; p = .005 and β = -.36; p = .007 respectively). The number of modules accessed, on the other hand, was significantly predicted by the number of words in the 4th module (β = .34; p <.001) and 7th module (β = .44; p <.001) and the number of sleep diary entries (β = .28; p <.001). Conclusion These results confirmed that increased interaction with the platform positively influences treatment effectiveness and that increased use at the beginning of treatment appears to be a good predictor of treatment completion. This study confirms the importance of sustaining participants' commitment to online treatment in order to optimize its effectiveness.
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 | 0,022 | 0,123 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,006 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,032 | 0,009 |
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 ».