Predicting the Effectiveness of a Mindfulness Virtual Community Intervention for University Students Targeting Symptoms of Depression, Anxiety and Stress (Preprint)
Notice bibliographique
Résumé
BACKGROUND Students’ mental health crisis has been recognized before COVID-19 pandemic and deepened during the pandemic. Mindfulness Virtual Community (MVC), an eight-week web-based mindfulness and cognitive behavioural therapy (CBT) program and featuring online videos, discussion forums, and videoconferencing, has proven to be an effective web-based program to reduce symptoms of depression, anxiety, and stress. Predicting the success of MVC before a student enrolls in the program is important to advise students’ accordingly. OBJECTIVE Prediction of the effectiveness (i.e., success) of MVC in reducing symptoms of depression, anxiety, and stress with undergraduate students at a large Canadian university. METHODS Machine learning models were developed to assess MVC’s effectiveness defined as success in reducing symptoms of depression, anxiety as measured using the Patient Health Questionniare-9 (PHQ9), the Beck Anxiety Inventory (BAI), and the Perceived Stress Scale (PSS), to at least the minimal clinically important difference (MCID). A dataset representing a sample of undergraduate students (n = 209) who took the MVC intervention between Fall 2017 and Fall 2018 was used. Several algorithms were trained based on the dataset to predict MVC’s effectiveness using sociodemographic and self-reported data. RESULTS Random Forest and Gradient Boosting (AUC=.89, Accuracy=.88) achieved the best performance both in terms of AUC and accuracy for predicting PHQ 9; and SVM (AUC=.91, Accuracy=.92) had best performance for predicting BAI, while random forest and several other algorithms were the best performing in predicting intervention effectiveness for PSS (AUC=.1, Accuracy=.1). The exposure to online mindfulness videos was the most important predictor for the intervention’s effectiveness for PHQ9, BAI and PSS. CONCLUSIONS The performances of the random forest models to predict MVC intervention effectiveness for depression, anxiety, and stress, are very high. These models might be useful for professionals to advise students early enough on taking the intervention or choose other alternatives. The students’ exposure to online mindfulness videos is the most important predictor for the effectiveness for the MVC intervention.
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 | 0,002 | 0,008 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».