Smartphone Alcohol Use Disorder Recovery Apps: Cross-sectional Survey of Behavioral Intention to Use
Notice bibliographique
Résumé
BACKGROUND: Alcohol use disorder (AUD) carries a huge health and economic cost to society. Effective interventions exist but numerous challenges limit their adoption, especially in a pandemic context. AUD recovery apps (AUDRA) have emerged as a potential complement to in-person interventions. They are easy to access and show promising results in terms of efficacy. However, they rely on individual adoption decisions and remain underused. OBJECTIVE: The aim of this survey study is to explore the beliefs that determine the intention to use AUDRA. METHODS: We conducted a cross-sectional survey study of people with AUD. We used the Unified Theory of Acceptance and Use of Technology, which predicts use and behavioral intention to use based on performance expectancy, effort expectancy, social influence, and facilitating conditions. Participants were recruited directly from 2 sources; first, respondents at addiction treatment facilities in Ontario, Canada, were contacted in person, and they filled a paper form; second, members from AUD recovery support groups on social media were contacted and invited to fill an internet-based survey. The survey was conducted between October 2019 and June 2020. RESULTS: The final sample comprised 159 participants (124 involved in the web-based survey and 35 in the paper-based survey) self-identifying somewhat or very much with AUD. Most participants (n=136, 85.5%) were aware of AUDRA and those participants scored higher on performance expectancy, effort expectancy, and social influence. Overall, the model explains 35.4% of the variance in the behavioral intention to use AUDRA and 11.1% of the variance in use. Social influence (P=.31), especially for women (P=.23), and effort expectancy (P=.25) were key antecedents of behavioral intention. Facilitating conditions were not significant overall but were moderated by age (P=.23), suggesting that it matters for older participants. Performance expectancy did not predict behavioral intention, which is unlike many other technologies but confirms other findings associated with mobile health (mHealth). Open-ended questions suggest that privacy concerns may significantly influence the use of AUDRA. CONCLUSIONS: This study suggests that unlike many other technologies, the adoption of AUDRA is not mainly determined by utilitarian factors such as performance expectancy. Rather, effort expectancy and social influence play a key role in determining the intention to use AUDRA.
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 | 0,003 |
| 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 | 0,001 |
| 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 | 0,001 |
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 ».