The Grow It! app—longitudinal changes in adolescent well-being during the COVID-19 pandemic: a proof-of-concept study
Notice bibliographique
Résumé
Adolescent mental health and well-being have been adversely impacted by the COVID-19 pandemic. In this preregistered longitudinal study, we evaluated whether adolescents' well-being improved after playing the multiplayer serious game app Grow It! During the first lockdown (May-June 2020), 1282 Dutch adolescents played the Grow It! app (age = 16.67, SD = 3.07, 68% girls). During the second lockdown (December-May 2020 onwards), an independent cohort of 1871 adolescents participated (age = 18.66, SD = 3.70, 81% girls). Adolescents answered online questionnaires regarding affective and cognitive well-being, depressive symptoms, anxiety, and impact of COVID-19 at baseline. Three to six weeks later, the baseline questionnaire was repeated and user experience questions were asked (N = 462 and N = 733 for the first and second cohort). In both cohorts, affective and cognitive well-being increased after playing the Grow It! app (t = - 6.806, p < 0.001; t = - 6.77, p < 0.001; t = - 6.12, p < 0.001; t = - 5.93, p < 0.001; Cohen's d range 0.20-0.32). At the individual level, 41-53% of the adolescents increased in their affective or cognitive well-being. Adolescents with higher risk profiles (i.e., more depressive symptoms, lower atmosphere at home, and more COVID-19 impact) improved more strongly in their well-being. Positive user evaluations and app engagement were unrelated to changes in affective and cognitive well-being. This proof-of-concept study tentatively suggests that Grow It! supported adolescents 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 | 0,007 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».