Improving Well-being With a Mobile Artificial Intelligence–Powered Acceptance Commitment Therapy Tool: Pragmatic Retrospective Study
Notice bibliographique
Résumé
Background Research and dissemination of smartphone apps to deliver coaching and psychological driven intervention had seen a great surge in recent years. Notably, Acceptance Commitment Therapy (ACT) protocols were shown to be uniquely effective in treating symptoms for both depression and anxiety when delivered through smartphone apps. The aim of this study is to expand on that work and test the suitability of artificial intelligence–driven interventions delivered directly through popular texting apps. Objective This study evaluated our hypothesis that using Kai.ai will result in improved well-being. Methods We performed a pragmatic retrospective analysis of 2909 users who used Kai.ai on one of the top messaging apps (iMessage, WhatsApp, Discord, Telegram, etc). Users’ well-being levels were tracked using the World Health Organization-Five Well-Being Index throughout the engagement with service. A 1-tailed paired samples t test was used to assess well-being levels before and after usage, and hierarchical linear modeling was used to examine the change in symptoms over time. Results The median well-being score at the last measurement was higher (median 52) than that at the start of the intervention (median 40), indicating a significant improvement (W=2682927; P<.001). Furthermore, HLM results showed that the improvement in well-being was linearly related to the number of daily messages a user sent (β=.029; t81.36=4; P<.001), as well as the interaction between the number of messages and unique number of days (β=–.0003; t81.36=–2.2; P=.03). Conclusions Mobile-based ACT interventions are effective means to improve individuals’ well-being. Our findings further demonstrate Kai.ai’s great promise in helping individuals improve and maintain high levels of well-being and thus improve their daily lives.
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 | 0,008 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 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 ».