Implementation of a teen sleep app in <scp>Canadian</scp> high schools: Preliminary evidence of acceptability, engagement, and capacity for supporting healthy sleep habits
Notice bibliographique
Résumé
Summary High school students suffer from mental health challenges and poorer academic performance resulting from sleep disturbances. Unfortunately, approaches to this problem sometimes focus on increasing sleep duration by going to bed early; a strategy with limited success because teens experience a phase delay in bedtimes. There is a need for approaches that leverage behavioural sleep science and are accessible, scalable, and easily disseminated to students. DOZE (Delivering Online Zzz's with Empirical Support) is a self‐management app that is grounded in sleep and circadian basic science. Although initial testing supports it as a feasible and acceptable app in a research context, it has not been tested as a strategy to use in schools. The present study tested DOZE in private high schools in Canada. Two‐hundred and twenty‐three students downloaded the app and completed daily sleep diaries over 4 weeks. Students reported a more regularised routine for bedtime, M diff = −0.43 h, p < 0.001, 95% CI [−0.65, −0.21], and rise time, M diff = −0.61 h, p < 0.001, 95% CI [−0.84, −0.38], in addition to a higher total sleep time, M diff = 0.18 h, p < 0.008, 95% CI [0.05, 0.31]. Students also rated DOZE to be highly acceptable. The evidence suggests that students find DOZE to be acceptable and engagement in this nonclinical population was reasonably high under minimal researcher supervision. This makes DOZE an attractive option and a step towards broad‐based sleep health services. High powered replications with control groups are needed to increase empirical rigour.
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 | 0,012 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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 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 ».