Advances in digital CBT: where are we now, and where next?
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Digital CBT refers to the use of digital tools, platforms or devices to deliver or enhance cognitive behavioural therapy assessment, formulation, treatment, training and supervision. The ‘Advances in Digital CBT’ special issue aimed to document examples of innovative digital CBT practice in this rapidly developing field. In this paper, we have briefly summarised and synthesised the advances demonstrated in this group of articles. These include developments in our understanding of mental health apps, the use of digital tools as an adjunct to therapy, the effectiveness of remotely delivered CBT in routine clinical practice, our understanding of user experiences and involvement, and in digital CBT research methods. We consider the extent of current knowledge in these areas and identify where gaps in evidence lie and how the field could be taken forward to address these. Lastly, we reflect on the broader digital CBT picture and offer our suggestions of six key directions for future research: using robust study designs to evaluate and optimise digital tools; translating and culturally adapting digital tools and practices; understanding and addressing digital exclusion; exploring, reporting and addressing possible negative effects; improving user involvement in design and evaluation; and addressing the implementation gap for digital tools. We suggest that further advances in these areas would be of particular benefit to the digital CBT field. Key learning aims (1) To gain an overview of the articles in the special issue and an understanding of the advances in digital CBT they represent. (2) To understand how the advances suggested by the present studies could be taken forward and extended. (3) To consider key future directions for further advances in digital CBT.
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.
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 | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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 découle