Can self-esteem be improved using short daily training on mobile applications? Examining real world data of GG Self-esteem users
Notice bibliographique
Résumé
Objective Using real world data, we examined the associations between self‐esteem ratings and the short, daily use of a cognitive behavioural therapy (CBT)‐based mobile application targeting self‐esteem related beliefs. The effects of using this application on mood ratings were also assessed.Method Real world data of GG Self‐esteem users were collected from January 2019 until August 2019. Participants’ self‐esteem and mood scores were evaluated at three‐time points corresponding to Levels 1, 20 and 46 of the mobile application.Results Significant increases in self‐esteem ratings were found across all three‐time points. Increased mood ratings were only found at Level 20, compared to baseline. Dropout rates across assessment points were associated with younger age, and males showed significantly higher self‐esteem scores than women at baseline and the second assessment point.Conclusions Our findings are consistent with previous controlled trials indicating that using CBT‐based mHealth applications targeting maladaptive beliefs may be useful for increasing user's wellness and reducing distress.KEY POINTS(1) App use was associated with increased self‐esteem and mood.(2) The higher the level participants used the app the more their self‐esteem increased.(3) Real world data is consistent with findings from previous controlled studies.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».