Exploring the Barriers to and Motivators for Using Digital Mental Health Interventions Among Construction Personnel in Nigeria: Qualitative Study
Notice bibliographique
Résumé
BACKGROUND: Work-related stress in the construction industry increases the prevalence of depression and anxiety among personnel. In low-resource settings such as Nigeria, construction personnel face high demands and severe working conditions but only have a few services to address their mental health needs. With emerging research showing that digital interventions can be used to self-manage mental health across diverse settings, there may be new opportunities to support construction personnel in the construction industry. OBJECTIVE: This study aims to determine the use of digital interventions for mental health management among construction personnel in Nigeria and to explore the factors that facilitate or impede the use of these interventions. METHODS: This qualitative study explored the perspectives of a convenience sample of 62 construction personnel. The data were subjected to inductive content analysis. RESULTS: A total of 6 barrier and 3 motivator themes were identified and categorized into 2 groups. The barrier themes were subcategorized into barriers to adoption and barriers to persistent use, whereas the motivator themes were subcategorized into intrinsic and extrinsic motivators. Lack of awareness and knowledge about the interventions may constitute a barrier to adoption and use. Participants frequently reported concerns regarding their effectiveness and usability. CONCLUSIONS: This study provides an understanding of the design needs required to facilitate sustained self-management of mental health based on the experiences and expectations of construction personnel with digital interventions.
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 | 0,001 |
| Études des sciences et des technologies | 0,001 | 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) | 0,000 | 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 ».