Can Your Smartphone Save A Life? A Systematic Review of Mobile-Based Interventions For Suicide Prevention
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Mobile health (mHealth) apps are handy tools for tackling stigmatized mental health issues, including suicide. Mobile-based interventions for suicide prevention are easily accessible, increase the likelihood of honest reporting on sensitive topics and reduce stigma as compared to face-to-face or traditional interventions. Many mHealth apps for suicide prevention exist. However, the persuasive strategies employed in these apps and their efficacy remains unknown. To address this gap, we reviewed 80 suicide prevention apps available on app stores and in academic journals. We identified different persuasive strategies implemented in these apps using the Persuasive System Design (PSD) model. We also identified current trends within these apps, most and least-dominant implementations of persuasive strategies, effectiveness of apps, evaluation methods, and app content. We found that Personalization (n = 32) and Self-monitoring (n = 29) were the most-dominant strategies and Social Comparison, Social Role were the least-dominant strategies in suicide prevention apps. Based on our findings we discuss three major concerns in developing suicide prevention apps and offer recommendations for mitigating them. Our results show that persuasive strategies are a promising tool that can be used for designing suicide prevention apps. Our conclusions and recommendations will guide future work in suicide prevention app development and enhance the usability, effectiveness, and user-experience of such apps.
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,003 | 0,005 |
| Bibliométrie | 0,002 | 0,000 |
| 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) | 0,000 | 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 découle