Recommendations for mobile apps for mental health treatment: Qualitative interviews with psychiatrists
Notice bibliographique
Résumé
Background: The number of mobile apps tailored for people living with mental health conditions has increased tremendously. However, the majority of the existing apps are not evidence-based and are being developed by teams without mental health expertise. Objective: We aimed to explore psychiatrists' perceptions of what they and their patients need in a mental health app and eventually inform the design of future mobile apps in this area. Methods: = 18) from three European countries: Austria, the Czech Republic, and Slovakia. Content analysis using inductive and deductive coding was used to analyze the interviews. Results: Four major themes were deductively identified: current system, gaps in the current system, recommendations for a mobile app, and promoting app use. Psychiatrists provided a comprehensive list of app features they suggested would be helpful. Of particular importance seemed to be enabling patients to self-monitor various aspects of their lives and including an emergency plan. Participants also emphasized that the app should be positive and motivating for patients to use, with some suggesting that users be able to communicate with other users for support. Within the theme of "current system," a common topic was the current shortage of psychiatrists and the feelings of time pressure amongst existing psychiatrists. Conclusions: The results of this study can be used by software developers to inform future designs of mental health mobile apps, which will hopefully translate to a greater availability of evidence-based apps that address clinical needs.
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 | 0,000 |
| Études des sciences et des technologies | 0,001 | 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 ».