Mobile Sensing Apps and Self-management of Mental Health During the COVID-19 Pandemic: Web-Based Survey (Preprint)
Notice bibliographique
Résumé
BACKGROUND During the COVID-19 pandemic, people had to adapt their daily life routines to the currently implemented public health measures, which is likely to have resulted in a lack of in-person social interactions, physical activity, or sleep. Such changes can have a significant impact on mental health. Mobile sensing apps can passively record the daily life routines of people, thus making them aware of maladaptive behavioral adjustments to the pandemic. OBJECTIVE This study aimed to explore the views of people on mobile sensing apps that passively record behaviors and their potential to increase awareness and helpfulness for self-managing mental health during the pandemic. METHODS We conducted an anonymous web-based survey including people with and those without mental disorders, asking them to rate the helpfulness of mobile sensing apps for the self-management of mental health during the COVID-19 pandemic. The survey was conducted in May 2020. RESULTS The majority of participants, particularly those with a mental disorder (n=106/148, 72%), perceived mobile sensing apps as very or extremely helpful for managing their mental health by becoming aware of maladaptive behaviors. The perceived helpfulness of mobile sensing apps was also higher among people who experienced a stronger health impact of the COVID-19 pandemic (β=.24; 95% CI 0.16-0.33; P<.001), had a better understanding of technology (β=.17; 95% CI 0.08-0.25; P<.001), and had a higher education (β=.1; 95% CI 0.02-0.19; P=.02). CONCLUSIONS Our findings highlight the potential of mobile sensing apps to assist in mental health care during the pandemic.
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 | 0,002 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,002 |
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 ».