Digital Health Literacy in Bipolar Disorder: International Web-Based Survey
Notice bibliographique
Résumé
BACKGROUND: Web-based resources can support people with bipolar disorder (BD) to improve their knowledge and self-management. However, publicly available resources are heterogeneous in terms of their quality and ease of use. Characterizing digital health literacy (the skillset that enable people to navigate and make use of health information in a web-based context) in BD will support the development of educational resources. OBJECTIVE: The aim of this study was to develop understanding of digital health literacy and its predictors in people with BD. METHODS: A web-based survey was used to explore self-reported digital health literacy (as measured by the e-Health Literacy Scale [eHEALS]) in people with BD. Multiple regression analysis was used to evaluate potential predictors, including demographic/clinical characteristics and technology use. RESULTS: A total of 919 respondents (77.9% female; mean age 36.9 years) completed the survey. Older age (β=0.09; P=.01), postgraduate education (β=0.11; P=.01), and current use of self-management apps related to BD (β=0.13; P<.001) were associated with higher eHEALS ratings. CONCLUSIONS: Levels of self-reported digital health literacy were comparable or higher than other studies in the general population and specific physical/mental health conditions. However, individuals with BD who are younger, have completed less education, or are less familiar with mental health apps may require extra support to safely and productively navigate web-based health resources. Relevant educational initiatives are discussed. Future studies should evaluate skill development interventions for less digitally literate groups.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».