Preferences for a Mental Health Support Technology Among Chinese Employees: Mixed Methods Approach
Notice bibliographique
Résumé
BACKGROUND: Workplace mental health is under-studied in China, making it difficult to design effective interventions. To encourage the engagement with interventions, it is crucial to understand employees' motivation toward seeking help through technologies. OBJECTIVE: This study aimed to understanding how Chinese employees view digital mental health support technology and how mental health support technology could be designed to boost the motivation of Chinese employees to use it. METHODS: A mixed methods approach was used. In total, 458 Chinese employees (248/458, 54% female) in 5 industries (manufacturing, software, medical, government, and education) responded to a survey, and 14 employees and 5 managers were interviewed. RESULTS: Government data and employee responses showed that mental health support in China is limited. In the workplace, Chinese employees experience a lower sense of autonomy satisfaction compared with competence and relatedness. Although managers and employees try to empathize with those who have mental health issues, discrimination and the stigma of mental illness are rife in Chinese workplaces. Digital technologies are perceived as a potential medium for mental health interventions; however, privacy is a major concern. CONCLUSIONS: The results of this study demonstrated the potential of self-help digital mental health support for Chinese employees. Interdisciplinary cooperation between design engineers and mental health researchers can contribute toward understanding the issues that engage or disengage users with digital mental health interventions.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 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 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 ».