Artificial Intelligence–Based Mobile Phone Apps for Child Mental Health: Comprehensive Review and Content Analysis
Notice bibliographique
Résumé
Background: Mobile phone apps powered by artificial intelligence (AI) have emerged as powerful tools to address mental health challenges faced by children. Objective: This study aimed to comprehensively review AI-driven apps for child mental health, focusing on their availability, quality, readability, characteristics, and functions. Methods: This study systematically analyzed AI-based mobile apps for child mental health. Quality was evaluated using the Mobile Application Rating Scale, which assessed various dimensions of app quality, including subjective quality, engagement, functionality, aesthetics, and information. An automatic readability index calculator was implemented to assess readability by using the count of words, syllables, and sentences to generate a score indicative of the reading difficulty level. Content analysis was conducted to examine the apps' availability, characteristics, and functionality. Results: Out of 369 apps initially identified, 27 met the eligibility criteria for inclusion. The quality of the apps was assessed using Mobile Application Rating Scale, with an average score of 3.45 out of 5 (SD 0.5), indicating a need for quality improvement. The readability analysis revealed suboptimal scores, with an average grade level of 6.62 (SD 2.2) for in-app content and 9.93 (SD 2.6) for app store descriptions. These results, combined with a monotonous user interface, suggest that many apps lack a child-friendly design, potentially hindering their usability and engagement for young users. Content analysis categorized the apps into 3 functional groups-chatbot-based apps (15 apps), journal logging apps (9 apps), and psychotherapeutic treatment apps (3 apps). While 20 out of 27 apps (74%) used clinically validated technologies, rigorous clinical tests of the apps were often missing, with only 2 apps undergoing clinical trials. Of the 27 apps analyzed, only 7 (26%) were free to use, while the majority, 20 apps, required a subscription or one-time payment. Among the paid apps, the average cost was US $20.16 per month, which may pose a financial barrier and limit accessibility for some users, particularly those from lower-income households. Conclusions: AI-based mental health apps hold significant potential to address the unique challenges of child mental health but face critical limitations in design, accessibility, and validation. To fully realize their benefits, future research and development should focus on integrating child-centric design principles, ensuring affordability, and prioritizing rigorous clinical testing. These efforts are essential to harness the power of AI technologies in creating equitable, effective, and engaging solutions for improving child mental health outcomes.
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,011 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».