Evaluating preferences for online psychological interventions to decrease cannabis use in young adults with psychosis: An observational study
Notice bibliographique
Résumé
Innovative technology-based solutions have the potential to improve access to clinically proven interventions for cannabis use disorder (CUD) in individuals with first episode psychosis (FEP). High patient engagement with app-based interventions is critical for achieving optimal outcomes. 104 individuals 18 to 35 years old with FEP and CUD from three Canadian provinces completed an electronic survey to evaluate preferences for online psychological intervention intensity, participation autonomy, feedback related to cannabis use, and technology platforms and app functionalities. The development of the questionnaire was informed by a qualitative study that included patients and clinicians. We used Best-Worst Scaling (BWS) and item ranking methodologies to measure preferences. Conditional logistic regression models for BWS data revealed high preferences for moderate intervention intensity (e.g., modules with a length of 15 min) and treatment autonomy that included preferences for using technology-based interventions and receiving feedback related to cannabis use once a week. Luce regression models for rank items revealed high preferences for smartphone-based apps, video intervention components, and having access to synchronous communications with clinicians and gamification elements. Results informed the development of iCanChange (iCC), a smartphone-based intervention for the treatment of CUD in individuals with FEP that is undergoing clinical testing.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,003 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».