Relative Effectiveness of Online Cognitive Behavioural Therapy with Anxious or Depressed Young People: Rapid Review and Meta-analysis
Notice bibliographique
Résumé
Global estimates suggest that 25% and 20% of youth have reported elevated symptoms of depression and anxiety, respectively, since the beginning of the COVID-19 pandemic compared to baseline functioning (Racine et al., 2021). Cognitive behavioural therapy (CBT) has been found to significantly benefit young people experiencing anxiety and depression (Christ et al., 2020). Pandemic-related protocols have led many mental health services to shift to online platforms. We wondered about the comparative efficacy of online versus offline CBT for young people between the ages of 10–25. We responded with a rapid review and meta-analysis of eight randomised controlled trial (RCT) outcomes. The sample-weighted, between-group effect size, the standardised mean difference (d), was essentially zero at longest follow-up (nine months), indicating that online and offline CBT were equally effective for youth with depression and anxiety; both online and offline groups’ symptom alleviation rates were approximately 90%. Recognising a lack of diversity in the samples has led us to argue that comparative meta-analyses across the most potentially vulnerable minoritised groups should be a focus in future research. This would help social workers and allied mental health providers support diverse clients and decision makers navigate the troubled clinical and social policy waters of the pandemic and its aftermath.IMPLICATIONS Online CBT seems as effective as offline CBT in alleviating anxiety and depressive symptoms among young people, including young adults beginning to develop symptoms.A more socially, racially, and gender-inclusive RCT-based synthetic research agenda is needed to steer online versus offline decisions in social work and allied mental health.Social work’s emphasis on diversity, equity, and inclusion has, with the focus of rigorous research, the potential to play an important role in addressing gendered, cultural, and socioeconomic knowledge gaps.
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 | 0,016 | 0,040 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,016 | 0,026 |
| Bibliométrie | 0,005 | 0,004 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,003 | 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) | 0,004 | 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 ».