Mobile applications for individuals affected by a traumatic event: A systematic review of qualitative findings
Notice bibliographique
Résumé
Access to effective interventions aimed at reducing the mental health consequences of exposure to traumatic events is hampered by barriers to treatment. Mobile applications (apps) are one way to overcome these barriers. However, the effectiveness of apps in reducing posttraumatic stress symptoms (PTSS) is limited, which could be explained by low user engagement. A better understanding of the needs and preferences of individuals with PTSS could help in developing apps that are more engaging and possibly more effective. This review aims to synthesize qualitative findings from studies examining the subjective experiences of individuals who use apps for PTSS. A systematic search was conducted in PubMed and PsycINFO. Empirical studies that report qualitative data and focus on one or more apps designed for the self-assessment or the self-management of PTSS were included. Sixteen articles focusing on 14 apps met the inclusion criteria. Participants reported barriers (e.g., lack of perceived benefits), facilitators (e.g., ease of use), benefits (e.g., improved mental health), and adverse effects (e.g., increased symptoms) related to the use of the apps. They also made suggestions aimed at improving user experience, such as increasing customization. In conclusion, developing apps with a user-centered approach, promoting social support through the use of the apps, and including gamification elements might increase user engagement with apps for PTSS. Further research should test if that is the case.
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 | 0,027 | 0,087 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,004 |
| Bibliométrie | 0,012 | 0,012 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».