Medical Students’ Acceptance of Tailored e–Mental Health Apps to Foster Their Mental Health: Cross-Sectional Study
Notice bibliographique
Résumé
Background: Despite the high prevalence of mental health problems among medical students and physicians, help-seeking remains low. Digital mental health approaches offer beneficial opportunities to increase well-being, for example, via mobile apps. Objective: This study aimed to assess the acceptance, and its underlying predictors, of tailored e-mental health apps among medical students by focusing on stress management and the promotion of personal skills. Methods: From November 2022 to July 2023, a cross-sectional study was conducted with 245 medical students at the University of Duisburg-Essen, Germany. Sociodemographic, mental health, and eHealth-related data were assessed. The Unified Theory of Acceptance and Use of Technology (UTAUT) was applied. Differences in acceptance were examined and a multiple hierarchical regression analysis was conducted. Results: The general acceptance of tailored e-mental health apps among medical students was high (mean 3.72, SD 0.92). Students with a job besides medical school reported higher acceptance (t107.3=-2.16; P=.03; Padj=.027; Cohen d=4.13) as well as students with higher loads of anxiety symptoms (t92.4=2.36; P=.02; Padj=.03; Cohen d=0.35). The t values were estimated using a 2-tailed t test. Regression analysis revealed that acceptance was significantly predicted by anxiety symptoms (β=.11; P=.045), depressive symptoms (β=-.11; P=.05), internet anxiety (β=-.12; P=.01), digital overload (β=.1; P=.03), and the 3 UTAUT core predictors-performance expectancy (β=.24; P<.001), effort expectancy (β=.26; P<.001), and social influence (β=.43; P<.001). Conclusions: The high acceptance of e-mental health apps among medical students and its predictors lay a valuable basis for the development and implementation of tailored e-mental health apps within medical education to foster their mental health. More research using validated measures is needed to replicate our findings and to further investigate medical students' specific needs and demands regarding the framework of tailored e-mental health 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.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| 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) | 0,010 | 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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».