Feasibility of Mobile Health and Social Media–Based Interventions for Young Adults With Early Psychosis and Clinical Risk for Psychosis: Survey Study
Notice bibliographique
Résumé
BACKGROUND: Digital technology, the internet, and social media are increasingly investigated as promising means for monitoring symptoms and delivering mental health treatment. These apps and interventions have demonstrated preliminary acceptability and feasibility, but previous reports suggest that access to technology may still be limited among individuals with psychotic disorders relative to the general population. OBJECTIVE: We evaluated and compared access to and use of technology and social media in young adults with psychotic disorders (PD), young adults with clinical risk for psychosis (CR), and psychosis-free youths (PF). METHODS: Participants were recruited through a coordinated specialty care clinic dedicated toward early psychosis as well as ongoing studies. We surveyed 21 PD, 23 CR, and 15 PF participants regarding access to technology and use of social media, specifically Facebook and Twitter. Statistical analyses were conducted in R. Categorical variables were compared among groups using Fisher exact test, continuous variables were compared using 1-way ANOVA, and multiple linear regressions were used to evaluate for covariates. RESULTS: Access to technology and social media were similar among PD, CR, and PF participants. Individuals with PD, but not CR, were less likely to post at a weekly or higher frequency compared to PF individuals. We found that decreased active social media posting was unique to psychotic disorders and did not occur with other psychiatric diagnoses or demographic variables. Additionally, variation in age, sex, and White versus non-White race did not affect posting frequency. CONCLUSIONS: For young people with psychosis spectrum disorders, there appears to be no "technology gap" limiting the implementation of digital and mobile health interventions. Active posting to social media was reduced for individuals with psychosis, which may be related to negative symptoms or impairment in social functioning.
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 | 0,004 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,001 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».