Perceptions of client stories in internet-delivered cognitive behaviour therapy: A mixed-methods evaluation
Notice bibliographique
Résumé
Internet-delivered Cognitive-Behavioural Therapy (ICBT) aims to support people with mental health concerns using online treatment materials. Client stories (either real or a composite based on many clients) are often used in ICBT to facilitate learning. However, these stories remain understudied in terms of how they are perceived by clients, as well as their relationship to ICBT engagement, satisfaction, and outcomes. Among a sample of 324 clients enrolled in transdiagnostic ICBT targeting symptoms of depression and anxiety, we examined client perceptions of stories through mixed-method qualitative (open-ended) and quantitative (closed-ended) data collection. Specifically, 234 (72.22 %) clients responded to questions about stories at 4 weeks and 221 (68.21 %) responded to questions at 8 weeks. Most clients who responded to questions endorsed reviewing at least some stories (79.06 % at 4 weeks, 71.95 % at 8 weeks). Moreover, they rated stories positively in terms of being relatable, making clients feel less alone, increasing knowledge, providing ideas for how to use skills, and motivating clients to use skills. These perceptions of stories remained stable over the course of treatment. Stories were perceived more positively among those with lower symptom severity at 8 weeks as well as those who were more satisfied with ICBT at 8 weeks. Story perceptions at 4 weeks were predictive of decreased post-treatment anxiety symptom severity but not depression while controlling for baseline scores, age, and education. 26.49 % of clients at 4 weeks who reviewed stories and 33.33 % at 8 weeks provided suggestions about how to improve stories. In a qualitative analysis, we found 5 categories of suggestions including increasing the variety of issues and relatability of stories, ensuring the stories are realistic, refining the formatting, and making the stories shorter. Overall, this study provides insights into how client stories could be improved to play a more significant role in future ICBT programs.
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 | 0,036 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 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 ».