The influence of societal behaviours and trends on mental health based applications: An environmental scan
Notice bibliographique
Résumé
BACKGROUNDWithin a decade, the expeditious evolution of technology has catalyzed digital advancements employed even at one’s fingertips. Now a household item, smartphones host innumerable apps supporting users across the world. One of the rising market niches includes mental-health based applications, which further branch into topics of lifestyle, habit-building, and productivity.METHODSThis systematic review explores quantitative and qualitative studies discussing variables of influence on social behaviours and trends for mental-health based applications. Searched databases include Science Direct, ProQuest, and Scopus with further supplementation of grey literature from Science Daily, Common Sense Media, and Extreme Networks. Extracted data precluded meta-analysis given the significant heterogeneity in study design, outcomes, and measurements. Studies were screened with a piloted tool and screening & extraction was completed independently among two authors. Disagreements following reconciliation between the two authors were settled by a third author. RESULTSAppraised articles identified trends & behaviors associated with app functionality, accessibility, and data/privacy security. The decline or absence of these features correlated with low user engagement.CONCLUSIONPrevalent features were determined for enhanced functionality, accessibility, and database security, which may serve to bolster apps within mental-health and its niches.
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 | 0,015 | 0,046 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,007 |
| Bibliométrie | 0,010 | 0,017 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,004 | 0,004 |
| Science ouverte | 0,001 | 0,004 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».