MétaCan
Menu
← Retour à la cohorte
Enregistrement W4407241385 · doi:10.2196/65478

Video- Versus Text-Based Psychoeducation in Web-Based E-Mental Health Programs: Randomized Controlled Trial

2025· article· en· W4407241385 sur OpenAlexvenueno aff
Swantje Borsutzky, Josefine Gehlenborg, Lara Rolvien, Steffen Moritz

Notice bibliographique

RevueJMIR Formative Research · 2025
Typearticle
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésPsychoeducationPreprintMental healthTelepsychiatryRandomized controlled trialPsychologyWorld Wide WebMedicineComputer sciencePsychotherapistPsychiatryTelemedicinePsychological interventionPolitical scienceHealth care

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Mental health disorders affect 1 in 8 people worldwide, yet many face barriers to accessing care. E-mental health interventions, including self-guided internet-based programs, offer promising solutions. However, the mechanisms driving knowledge gain in such programs remain poorly understood. The role of medium, topic, sequence, and confidence and their interaction in learning outcomes need further investigation. Additionally, the influence of knowledge gaps on the outcome of psychoeducational intervention is not well understood (eg, whether psychoeducation requires an existing knowledge gap to be effective). OBJECTIVE: This randomized controlled trial investigated the role of medium, topic, sequence, and participants' initial knowledge levels on knowledge gain and confidence in fully automated self-guided e-mental health psychoeducation. METHODS: A total of 158 adults (mean age 34, SD 12.4 years; n=118, 74.7% female) were randomized to 8 experimental conditions (receiving video, texts, or both containing psychoeducational content on sleep or social competence; n=142) or a control group (neutral video; n=16). The fully automated interventions (videos) were developed for use in web-based e-mental health interventions. They address transdiagnostic symptoms and hence are relevant across various disorders. To assess the added value of video production for knowledge gain, text-based scripts corresponding to the video content were created and compared. All interventions and outcome assessments were delivered on the web via Qualtrics without face-to-face components. Pre- and postintervention knowledge was assessed using a validated 30-item knowledge test (true/false). Confidence in responses was rated on a 0% to 100% scale. Statistical analyses included 3-way ANOVA and multivariate ANOVA. RESULTS: =2.43; P=.02; d=0.20). No significant differences in knowledge gain were found between video and text formats. Confidence in correct answers increased significantly in the experimental group (mean 42.82, 95% CI 41.15-44.50 to mean 51.67, 95% CI 49.28-54.04), with larger gains for social competence than sleep. Confidence in the control group remained unchanged. CONCLUSIONS: Both video and text formats effectively facilitated knowledge gain in e-mental health interventions, with no clear advantage of one medium over the other. Participants with prior deficits learned more in areas where they initially lacked knowledge. Confidence in correct answers increased alongside knowledge, highlighting psychoeducation's role in promoting self-efficacy. Future research should explore multimedia integration to enhance adherence and symptom improvement. TRIAL REGISTRATION: German Clinical Trials Register DRKS00026722; https://drks.de/search/en/trial/DRKS00026722.

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)0,005
score de la tête « metaresearch » (Gemma)0,009
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 enseignants0,021
Score d'incertitude au seuil0,069

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0050,009
Méta-épidémiologie (sens strict)0,0030,001
Méta-épidémiologie (sens large)0,0080,004
Bibliométrie0,0010,001
Études des sciences et des technologies0,0010,002
Communication savante0,0020,003
Science ouverte0,0020,001
Intégrité de la recherche0,0050,004
Charge utile insuffisante (le modèle a refusé de juger)0,0210,002

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.

Tête enseignante Opus0,088
Tête enseignante GPT0,541
Écart entre enseignants0,453 · 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
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

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