Adapting Cognitive Behavioral Therapy for Adolescents in Iraq via Mobile Apps: Qualitative Study of Usability and Outcomes
Notice bibliographique
Résumé
Background: Mental health challenges, including anxiety and depression, are increasingly common among adolescents. Mobile health (mHealth) apps offer a promising way to deliver accessible cognitive behavioral therapy (CBT) interventions. However, research on the usability and effectiveness of apps explicitly tailored for adolescents is limited. Objective: This study aimed to explore the usability, engagement, and perceived effectiveness of a mobile CBT app designed for adolescents, focusing on user experiences and mental health outcomes. Methods: A qualitative study was conducted with 40 adolescents aged 13-19 years (mean age 15.8, SD 1.9 years; 18/40, 45% male; 22/40, 55% female) who engaged with a CBT app for 4 weeks. Mental health diagnoses included anxiety (20/40, 50%), depression (15/40, 38%), and both (5/40, 13%). Of these, 10 (25%) of the 40 participants had previous CBT experience. Feedback was gathered through focus groups and individual interviews, and thematic analysis identified key themes related to usability, engagement, and perceived effectiveness. Quantitative data on mood and anxiety scores were analyzed with paired t tests. Results: The mean usability score was 3.8 (SD 0.6), and the mean effectiveness score was 3.9 (SD 0.7). Older participants (aged 16-19 years) reported significantly higher usability (mean 4.1, SD 0.4) and effectiveness scores (mean 4.3, SD 0.5) compared to younger participants (aged 13-15 years) (P=.03). Females had higher usability (mean 4, SD 0.6) and effectiveness scores (mean 4.2, SD 0.7) than males (mean 3.6, SD 0.7, and mean 3.5, SD 0.8, respectively; P=.03). Participants with prior CBT experience had 2.8 times higher odds of reporting high usability scores (95% CI 1.6-5; P=.002) and 3.1 times higher odds of reporting high effectiveness scores (95% CI 1.7-5.6; P=.001). Usability challenges included complex navigation (20/40, 50%), interface design issues (12/40, 30%), and content overload (8/40, 20%). Factors positively influencing engagement were motivation driven by personal relevance (20/40, 50%) and gamification features (10/40, 25%), while lack of personalization (14/40, 35%) and external distractions (18/40, 45%) were significant barriers. Mood improvement (15/40, 38%) and learning new coping skills (12/40, 30%) were the most reported outcomes. Conclusions: The mobile CBT app shows potential for improving adolescent mental health, with initial improvements in mood and anxiety. Future app iterations should prioritize simplifying navigation, adding personalization features, and enhancing technical stability to support long-term engagement.
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 | 0,011 | 0,017 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,004 | 0,004 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».