Acceptance of a mental health app (JoyPopTM) for postsecondary students: a prospective evaluation using the UTAUT2
Notice bibliographique
Résumé
Introduction Mental health (MH) smartphone applications (MH apps) can support the increasing MH needs of postsecondary students and mitigate barriers to accessing support. Evaluating MH app acceptance using technology acceptance models is recommended to improve student engagement with MH apps. The JoyPop TM app was designed to improve youth resilience and emotion regulation. The JoyPop TM app is associated with improved student MH, but its acceptance has yet to be evaluated quantitatively. The present study used the Unified Theory of Acceptance and Use of Technology (UTAUT2) to evaluate and examine constructs and moderators influencing the acceptance (i.e., behavioural intention) and use of the JoyPop TM app. Method Participants were 183 postsecondary students attending a Canadian University who used the app for one week and completed measures before and after using the app. Relationships posited by the UTAUT2 were tested using partial least squares structural equation modelling (PLS-SEM). Results Most participants accepted the JoyPop TM app. The UTAUT2 model explained substantial variance in behavioural intention and app use. Performance expectancy, hedonic motivation, and facilitating conditions predicted behavioural intention, and behavioural intention and facilitating conditions predicted app use. Age moderated the association between facilitating conditions and behavioural intention. Experience moderated the relationship between performance expectancy, hedonic motivation, and social influence on behavioural intention. Discussion Results provide insight into factors influencing the acceptance of the JoyPop TM app and its ability to engage students. Results also provide valuable insights for evaluating and optimally designing MH 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 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 | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».