Do Mental Health Apps Influence Stress or Affect in University Students- And Does Personality Matter?
Notice bibliographique
Résumé
Background: Mental health apps (MHApps) have become increasingly popular in major mobile stores. While there are many anecdotal claims made about their effectiveness, there is still limited empirical support for their usability or practicality. Having access to instant mental health services can provide excitement and hope for many who are suffering and unable to receive treatment. However, more systematic research is needed to investigate their effectiveness for improving mental well-being. Objective: The primary purpose of this study is to investigate the relationship between the use of mental health apps, specifically What's up! and Self-Help for Anxiety Management (SAM) and student stress and affect. The secondary purpose of this study is to examine if a relationship exists between personality factors and app use and effectiveness. Methods: Student volunteers from MacEwan University were randomly assigned to one of three groups. Two experimental app groups and a third control group. All three groups were asked to complete an initial survey and a similar second survey approximately 2-weeks after the initial survey completion. The surveys included items from the Perceived Stress Scale, the Big Five Inventory-2, and the Positive and Negative Affect Schedule, as well as basic questions about the participants' previous and current app use, and other relevant items. Hypothesis: Participants in the experiment groups will experience more reduction in negative affect, anxiety, and stress than the control group. Also, participants who score higher in conscientiousness will experience more app use and negative symptom reduction than those with lower scores. Department: Psychology Faculty Mentor: Dr. Sean Rogers
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 | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| 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 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 ».