Predicting Acceptance of e–Mental Health Interventions in Patients With Obesity by Using an Extended Unified Theory of Acceptance Model: Cross-sectional Study
Notice bibliographique
Résumé
Background The rapid increase in the number of people who are overweight and obese is a worldwide health problem. Obesity is often associated with physiological and mental health burdens. Owing to several barriers to face-to-face psychotherapy, a promising approach is to exploit recent developments and implement innovative e–mental health interventions that offer various benefits to patients with obesity and to the health care system. Objective This study aims to assess the acceptance of e–mental health interventions in patients with obesity and explore its influencing predictors. In addition, the well-established Unified Theory of Acceptance and Use of Technology (UTAUT) model is compared with an extended UTAUT model in terms of variance explanation of acceptance. Methods A cross-sectional web-based survey study was conducted from July 2020 to January 2021 in Germany. Eligibility requirements were adult age (≥18 years), internet access, good command of the German language, and BMI >30 kg/m2 (obesity). A total of 448 patients with obesity (grades I, II, and III) were recruited via specialized social media platforms. The impact of various sociodemographic, medical, and mental health characteristics was assessed. eHealth-related data and acceptance of e–mental health interventions were examined using a modified questionnaire based on the UTAUT. Results Overall, the acceptance of e–mental health interventions in patients with obesity was moderate (mean 3.18, SD 1.11). Significant differences in the acceptance of e–mental health interventions among patients with obesity exist, depending on the grade of obesity, age, sex, occupational status, and mental health status. In an extended UTAUT regression model, acceptance was significantly predicted by the depression score (Patient Health Questionnaire-8; β=.07; P=.03), stress owing to constant availability via mobile phone or email (β=.06; P=.02), and confidence in using digital media (β=−0.058; P=.04) and by the UTAUT core predictors performance expectancy (β=.45; P<.001), effort expectancy (β=.22; P<.001), and social influence (β=.27; P<.001). The comparison between an extended UTAUT model (16 predictors) and the restrictive UTAUT model (performance expectancy, effort expectancy, and social influence) revealed a significant difference in explained variance (F13,431=2.366; P=.005). Conclusions The UTAUT model has proven to be a valuable instrument to predict the acceptance of e–mental health interventions in patients with obesity. The extended UTAUT model explained a significantly high percentage of variance in acceptance (in total 73.6%). On the basis of the strong association between acceptance and future use, new interventions should focus on these UTAUT predictors to promote the establishment of effective e–mental health interventions for patients with obesity who experience mental health burdens.
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 | 0,005 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| 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 ».