The Role of Early Engagement in a Self-Directed, Digital Mental Health Intervention for Adolescent Anxiety: Moderated Regression Analysis
Notice bibliographique
Résumé
Background: Digital mental health (dMH) interventions offer the ability to reach many more adolescents with anxiety than face-to-face therapy. While efficacious dMH interventions are available for adolescents, premature dropout and low engagement are common, especially if delivered on a self-help basis without any form of therapist guidance. This is concerning, given that higher engagement, in terms of the number of sessions completed, has been repeatedly associated with improved clinical outcomes. The reasons for poor adolescent engagement in dMH programs are unclear. A clear understanding of when and why disengagement occurs is important in order to seek to improve engagement rates. Contemporary models consider engagement as multifaceted, comprising both "use" (eg, amount of content completed, frequency of use, duration spent logged into the dMH program, and depth of use, such as word or character count) and "user experience" (eg, interest and satisfaction in the program and affect and attention whilst engaging in the program). Objective: This study investigated the role of demographic and early engagement (EE) factors, specifically program use, in predicting overall program engagement and continued engagement, respectively, in a self-directed, internet-based cognitive behavioral therapy program for adolescent anxiety, namely, BRAVE Self-Help. It examined multiple measures of program use, including task completion, homework completion, and depth of response (character count of responses typed into program tasks). It also examined the moderating role of baseline anxiety severity. Methods: Data collected between July 2014 and May 2020 from 2850 adolescents aged 12 to 18 years who participated in BRAVE Self-Help were analyzed via a series of moderated regressions. Results: Results showed that EE (in terms of program use) was associated with continued engagement, demonstrated by early tasks (tasks completed in the first two sessions; R2=0.035; P<.001) and early depth (characters written in the first two sessions; R2=0.08; P<.001) predicting continued depth of program response (total character count of responses typed into all program tasks from sessions 3 to 10). Demographic factors and anxiety severity did not directly impact adolescents' engagement in BRAVE Self-Help. Conclusions: These findings highlight the need to investigate ways to (1) enhance EE and (2) better understand how to measure and capture all aspects of program engagement.
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 | 0,024 | 0,043 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,005 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,001 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».