MétaCan
Menu
← Retour à la cohorte
Enregistrement W4401793945 · doi:10.2196/53794

Skill Enactment Among University Students Using a Brief Video-Based Mental Health Intervention: Mixed Methods Study Within a Randomized Controlled Trial

2024· article· en· W4401793945 sur OpenAlexvenueno aff
Hayley M. Jackson, Philip J. Batterham, Alison L. Calear, Jeneva L. Ohan, Louise M. Farrer

Notice bibliographique

RevueJMIR Mental Health · 2024
Typearticle
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMental healthRandomized controlled trialPsychologyIntervention (counseling)Medical educationMedicinePsychotherapistPsychiatry

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Mental health problems are common among university students, yet many students do not seek professional help. Digital mental health interventions can increase students' access to support and have been shown to be effective in preventing and treating mental health problems. However, little is known about the extent to which students implement therapeutic skills from these programs in everyday life (ie, skill enactment) or about the impact of skill enactment on outcomes. OBJECTIVE: This study aims to assess the effects of a low-intensity video-based intervention, Uni Virtual Clinic Lite (UVC-Lite), in improving skill enactment relative to an attention-control program (primary aim) and examine whether skill enactment influences symptoms of depression and anxiety (secondary aim). The study also qualitatively explored participants' experiences of, and motivations for, engaging with the therapeutic techniques. METHODS: We analyzed data from a randomized controlled trial testing the effectiveness of UVC-Lite for symptoms of depression and anxiety among university students with mild to moderate levels of psychological distress. Participants were recruited from universities across Australia and randomly assigned to 6 weeks of self-guided use of UVC-Lite (243/487, 49.9%) or an attention-control program (244/487, 50.1%). Quantitative data on skill enactment, depression, and anxiety were collected through baseline, postintervention, and 3- and 6-month follow-up surveys. Qualitative data were obtained from 29 intervention-group participants through open-ended questions during postintervention surveys (n=17, 59%) and semistructured interviews (n=12, 41%) after the intervention period concluded. RESULTS: =73.08; P<.001). Inductive content analysis confirmed low levels of skill enactment among intervention group participants. Participants were motivated to use techniques and skills that were perceived to be personally relevant, easily integrated into daily life, and that were novel or had worked for them in the past. CONCLUSIONS: The intervention did not improve skill enactment or mental health among students with mild to moderate psychological distress. Low adherence impacted our ability to draw robust conclusions regarding the intervention's impact on outcomes. Factors influencing skill enactment differed across individuals, suggesting that it may be necessary to tailor therapeutic skills and engagement strategies to the individual user. Theoretically informed research involving collaboration with end users is needed to understand the processes underlying skill enactment in digital mental health interventions. TRIAL REGISTRATION: Australian New Zealand Clinical Trials Registry ACTRN12621000375853; https://tinyurl.com/7b9ar54r.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,013
score de la tête « metaresearch » (Gemma)0,013
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Essai randomisé · Signal consensuel: Essai randomisé
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,013
Score d'incertitude au seuil0,069

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0130,013
Méta-épidémiologie (sens strict)0,0020,001
Méta-épidémiologie (sens large)0,0050,004
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0020,001
Science ouverte0,0020,001
Intégrité de la recherche0,0030,002
Charge utile insuffisante (le modèle a refusé de juger)0,0080,001

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.

Tête enseignante Opus0,038
Tête enseignante GPT0,485
Écart entre enseignants0,446 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeEssai randomisé
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations0
Publié2024
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueJMIR Mental Health→Même sujetDigital Mental Health Interventions→Travaux en français237 207→