We Have Spent Time, Money, and Effort Making Self-Help Digital Mental Health Interventions: Is Anyone Going to Come to the Party?
Notice bibliographique
Résumé
Although efficacious psychotherapies exist, a limited number of mental health care providers and significant demand make their accessibility a fundamental problem. Clinical researchers, funders, and investors alike have converged on self-help digital mental health interventions (self-help DMHIs) as a low-cost, low-burden, and broadly scalable solution to the global mental health burden. Consequently, exorbitant financial and time-based resources have been invested in developing, testing, and disseminating these interventions. However, the public's assumed desirability for self-help DMHIs by experts has largely proceeded without question. This commentary critically evaluates whether self-help DMHIs can, and will, reach their purported potential as a solution to the public burden of mental illness, with an emphasis on evaluating their real-world desirability. Our review finds that self-help DMHIs are often perceived as less desirable and credible than in-person treatments, with lower usage rates and, perhaps accordingly, clinical trials testing self-help DMHIs suffering from widespread recruitment challenges. We highlight two fundamental challenges that may be interfering with the desirability of, and engagement in, self-help DMHIs: (1) difficulty competing with technology companies that have advantages in resources, marketing, and user experience design (but may not be delivering evidence-based interventions) and (2) difficulty retaining (vs initially attracting) users. We discuss a range of potential solutions, including highlighting self-help DMHIs in public mental health awareness campaigns; public education about evidence-based interventions that can guide consumers to appropriate self-help DMHI selection; increased financial and expert support to clinical researchers for marketing, design, and user experience in self-help DMHI development; increased involvement of stakeholders in the design of self-help DMHIs; and investing in more research on ways to improve retention (versus initial engagement). We suggest that, through these efforts, self-help DMHIs may fully realize their promise for reducing the global burden of mental illness.
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 | 0,120 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,004 | 0,012 |
| Communication savante | 0,014 | 0,026 |
| Science ouverte | 0,003 | 0,004 |
| Intégrité de la recherche | 0,008 | 0,011 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,013 | 0,002 |
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 ».