Exploring client messages in a therapist-guided internet intervention for alcohol use disorders – A content analysis
Notice bibliographique
Résumé
There is a growing interest in offering therapist-guided internet interventions for alcohol use disorders (AUD) in regular addiction services. Elucidating the therapeutic processes during these interventions may help improve clinical delivery. The aim of this paper was to investigate written messages from client to therapist in a therapist-guided internet intervention for AUD. Data was extracted from the therapist-guided arm (n = 57) of a randomized trial of internet interventions for AUD. Qualitative content analysis was used to identify distinct categories of client behaviors in written messages to therapists. Coding was deductive (applying categories from past literature) as well as inductive (identifying new categories from the data). Subsequently, exploratory correlational and regression analyses were conducted to investigate whether identified client behaviors predicted module completion and drinking outcomes. Also, client questions posed in messages to therapists were categorized separately. Eleven distinct behavior categories were identified, of which the two most common were alliance (26.6% of total categorizations) and identifying patterns and problem behaviors (22.8%). Confrontational alliance rupture was the least common category (0.4%). One new behavior category was identified inductively – alcohol-related setback (4.1%). In the exploratory analyses, no categories consistently predicted module completion or drinking outcomes. Client questions were most commonly posed to improve understanding or use of program content or skills. The behavior categories, although not predictive of module completion or outcomes, may be of use for therapists, treatment developers and health care providers as a tool for understanding therapeutic processes in internet interventions for AUD.
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 | 0,011 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».