A Web-Based Stress Management Intervention for University Students in Indonesia (Rileks): Feasibility Study Using a Pretest-Posttest Design
Notice bibliographique
Résumé
BACKGROUND: University students are susceptible to excessive stress. A web-based stress management intervention holds promise to improve stress but is still at a novel stage in Indonesia. OBJECTIVE: The aim of this paper was to report the feasibility of the intervention we developed-Rileks-among university students in Indonesia in terms of acceptability and usability, and to propose recommendations for future improvements. METHODS: A single-group pretest and posttest design was used. Participants with scores of 15 or higher on the stress subscale of the 42-item Depression Anxiety Stress Scales were given access to the intervention (N=68). The main outcome measures were the 8-item Client Satisfaction Questionnaire (CSQ-8) score, the System Usability Scale (SUS) score, and intervention uptake. Participants' experience in each session was evaluated using closed- and open-ended questions for future improvements. Descriptive statistics were used to examine primary outcome and qualitative session evaluations. Participants' responses to each topic of the open questions were summarized. RESULTS: The intervention was evaluated as being satisfactory (CSQ-8 mean score 21.89, SD 8.72; range 8-32). However, the intervention's usability was still below expectation (SUS mean score 62.8, SD 14.74; range 0-100). The core modules were completed by 10 out of 68 participants (15%), and the study dropout rate was 63% (43/68) at postassessment. In general, the module content was rated positively, with some notes for improvement covering content and technical aspects. CONCLUSIONS: This study indicates that Rileks is potentially feasible for Indonesian university students. In order to be optimally applied in such a context and before scaling up web-based interventions in Indonesia, in general, further development and refinement are needed. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): RR2-10.2196/11493.
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 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 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) | 0,004 | 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 ».