Favoriser une approche critique des applications mobiles axées sur la santé mentale
Notice bibliographique
Résumé
Il est bien établi que les services de santé québécois sont engorgés, un phénomène exacerbé par la pandémie. Les avancées technologiques des dernières années offrent des modalités de soutien qui permettent de contrecarrer les limites des approches traditionnelles. Les applications mobiles en santé mentale présentent plusieurs avantages par rapport aux approches en personne, comme une plus grande accessibilité financière. Il est démontré que ces applications peuvent aider les utilisateurs à améliorer leur fonctionnement quotidien et à prendre conscience de leurs symptômes en les encourageant à les surveiller eux-mêmes. Toutefois, seule une minorité d’applications sont validées empiriquement et il peut être difficile pour l’utilisateur de faire un choix éclairé devant l’éventail d’applications existantes. Le présent article se veut un plaidoyer pour une approche critériée lors de la sélection d’applications mobiles, c’est-à-dire une évaluation à partir de critères clairs et concis, pour le développement d’un jugement critique par les utilisateurs. L’état actuel du domaine des applications mobiles en santé mentale sera décrit, la commercialisation rapide du domaine sera critiquée et quelques critères d’évaluation seront proposés et exemplifiés aux lecteurs. Finalement, une sélection d’applications publiées ou en cours de conception seront évaluées selon les critères abordés.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,005 | 0,001 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 tête enseignante, 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 ».