Serious Games Based on Cognitive Bias Modification and Learned Helplessness Paradigms for the Treatment of Depression: Design and Acceptability Study
Notice bibliographique
Résumé
BACKGROUND: Depression is a debilitating mental health disorder, with a large treatment gap. Recent years have seen a surge in digital interventions to bridge this treatment gap. Most of these interventions are based on computerized cognitive behavioral therapy. Despite the efficacy of computerized cognitive behavioral therapy-based interventions, their uptake is low and dropout rates are high. Cognitive bias modification (CBM) paradigms provide a complementary approach to digital interventions for depression. However, interventions based on CBM paradigms have been reported to be repetitive and boring. OBJECTIVE: In this paper, we described the conceptualization, design, and acceptability of serious games based on CBM paradigms and the learned helplessness paradigm. METHODS: We searched the literature for CBM paradigms that were shown to be effective in reducing depressive symptoms. For each of the CBM paradigms, we ideated how to create a game so that the gameplay was engaging while the active therapeutic component remained unchanged. RESULTS: We developed 5 serious games based on the CBM paradigms and the learned helplessness paradigm. The games include various core elements of gamification, such as goals, challenges, feedback, rewards, progress, and fun. Overall, the games received positive acceptability ratings from 15 users. CONCLUSIONS: These games may help improve the effectiveness and engagement levels of computerized interventions for depression.
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 | 0,008 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 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 ».