Mobile Acceptance and Commitment Therapy With Distressed First-Generation College Students: Microrandomized Trial
Notice bibliographique
Résumé
BACKGROUND: Extant gaps in mental health services are intensified among first-generation college students. Improving access to empirically based interventions is critical, and mobile health (mHealth) interventions are growing in support. Acceptance and commitment therapy (ACT) is an empirically supported intervention that has been applied to college students, via mobile app, and in brief intervals. OBJECTIVE: This study evaluated the safety, feasibility, and effectiveness of an ACT-based mHealth intervention using a microrandomized trial (MRT) design. METHODS: Participants (N=34) were 18- to 19-year-old first-generation college students reporting distress, who participated in a 6-week intervention period of twice-daily assessments and randomization to intervention. Participants logged symptoms, moods, and behaviors on the mobile app Lorevimo. After the assessment, participants were randomized to an ACT-based intervention or no intervention. Analyses examined proximal change after randomization using a weighted and centered least squares approach. Outcomes included values-based and avoidance behavior, as well as depressive symptoms and perceived stress. RESULTS: The findings indicated the intervention was safe and feasible. The intervention increased values-based behavior but did not decrease avoidance behavior. The intervention reduced depressive symptoms but not perceived stress. CONCLUSIONS: An MRT of an mHealth ACT-based intervention among distressed first-generation college students suggests that a larger MRT is warranted. Future investigations may tailor interventions to contexts where intervention is most impactful. TRIAL REGISTRATION: ClinicalTrials.gov NCT04081662; https://clinicaltrials.gov/show/NCT04081662. INTERNATIONAL REGISTERED REPORT IDENTIFIER (IRRID): RR2-10.2196/17086.
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 | 0,006 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,003 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,010 | 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 ».