A Serious Game for Patients With Eating Disorders (Maze Out): Pilot User Experience and Acceptance Study
Notice bibliographique
Résumé
BACKGROUND: Eating disorders (EDs) are severe mental disorders associated with notable impairments in the quality of life. Despite the severity of the disorders and extensive research in the field, effective treatment for EDs is lacking. Digital interventions are gaining an evidence-based position in mental health, providing new perspectives in psychiatric treatment. Maze Out is a serious game coproduced by patients and therapists that focuses on supporting patients with EDs. OBJECTIVE: The aim of this study was to investigate the experiences of engaging in and acceptability of Maze Out among patients with EDs and therapists. METHODS: This study is a qualitative pilot study involving data collected through focus groups and individual interviews and user analytics collected through the game. The participants were recruited from the Odense Mental Health Service of the Region of Southern Denmark. Qualitative interviews analyzed by thematical analysis and interpreted by interpretative phenomenological analysis were used to evaluate the acceptance and experience of Maze Out among patients and therapists. The mobile health evidence reporting and assessment checklist was used to describe the content, context, and technical features of the game in a standardized manner for mobile health apps. RESULTS: The participants found Maze Out to be engaging, easy to use, and a good platform for reflecting on their disorder. They primarily used Maze Out as a conversational tool with their close relationships, giving them insights into the experiences and daily life struggles of someone with EDs. CONCLUSIONS: Maze Out seems to be a promising tool supplementing the current ED treatment. Further research should focus on evaluating the effectiveness of the game and its potential to support patients with different types of EDs.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 ».