MindKind: A mixed-methods protocol for the feasibility of global digital mental health studies in young people
Notice bibliographique
Résumé
Background: While an estimated 14-20% of young adults experience mental health conditions worldwide, the best strategies for prevention and management are not fully understood. The ubiquity of smartphone use among young people makes them excellent candidates for collecting data about lived experiences and their relationships to mental health. However, not much is known about the factors affecting young peoples’ willingness to share information about their mental health. Objective: We aim to understand the data governance and engagement strategies influencing young peoples’ (aged 16-24) participation in app-based studies of mental health. We hypothesize that willingness to participate in research is influenced by involvement in how their data is collected, shared, and used. Methods: Here, we describe the MindKind Study, which employs mixed methods to understand the feasibility of global, smartphone-based studies of youth mental health. A pilot 12-week app-based substudy will query participants’ willingness to engage with remote mental health studies. Participants will be randomized into one of four different data governance models designed to understand their preferences, as well as the acceptability of models that allow them more or less control over how their data are accessed and used. Enrolees will receive one of two different engagement strategies. A companion qualitative study will employ a deliberative democracy approach to examine the preferences, concerns and expectations of young people, with respect to remote mental health research. We also detail our engagement with young people as co-researchers in this study. This pilot study is being conducted in India, South Africa and the United Kingdom. Conclusions: This study is expected to generate new insights into the feasibility of, and best practices for, remote smartphone-based studies of mental health in youth and represents an important step toward understanding which approaches could help people better manage their mental health.
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 | 0,107 | 0,129 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,004 |
| Méta-épidémiologie (sens large) | 0,005 | 0,004 |
| Bibliométrie | 0,004 | 0,003 |
| Études des sciences et des technologies | 0,008 | 0,004 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,007 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,132 | 0,021 |
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 ».