Health Care Professionals' Engagement With Digital Mental Health Interventions in the United Kingdom and China: Mixed Methods Study on Engagement Factors and Design Implications
Notice bibliographique
Résumé
Background: Mental health issues like occupational stress and burnout, compounded with the after-effects of COVID-19, have affected health care professionals (HCPs) around the world. Digital mental health interventions (DMHIs) can be accessible and effective in supporting well-being among HCPs. However, low engagement rates of DMHIs are frequently reported, limiting the potential effectiveness. More evidence is needed to reveal the factors that impact HCPs' decision to adopt and engage with DMHIs. Objective: This study aims to explore HCPs' motivation to engage with DMHIs and identify key factors affecting their engagement. Amongst these, we include cultural factors impacting DMHI perception and engagement among HCPs. Methods: We used a mixed method approach, with a cross-sectional survey (n=438) and semistructured interviews (n=25) with HCPs from the United Kingdom and China. Participants were recruited from one major public hospital in each country. Results: Our results demonstrated a generally low engagement rate with DMHIs among HCPs from the 2 countries. Several key factors that affect DMHI engagement were identified, including belonging to underrepresented cultural and ethnic groups, limited mental health knowledge, low perceived need, lack of time, needs for relevance and personal-based support, and cultural elements like self-stigma. The results support recommendations for DMHIs for HCPs. Conclusions: Although DMHIs can be an ideal alternative mental health support for HCPs, engagement rates among HCPs in China and the United Kingdom are still low due to multiple factors and barriers. More research is needed to develop and evaluate tailored DMHIs with unique designs and content that HCPs can engage from various cultural backgrounds.
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 | 0,012 | 0,014 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».