MétaCan
Menu
Retour à la cohorte
Enregistrement W4409777267 · doi:10.1016/j.jad.2025.04.107

The experience of self-monitoring using the PolarUs bipolar disorder self-management app: a qualitative report of impacts and unmet needs

2025· article· en· W4409777267 sur OpenAlexafffund
Emma Morton, Rachelle Hole, Heather L. O'Brien, Linda Li, Steven J. Barnes, Erin E. Michalak

Notice bibliographique

RevueJournal of Affective Disorders · 2025
Typearticle
Langueen
DomainePsychology
ThématiqueDigital Mental Health Interventions
Établissements canadiensOkanagan University CollegeUniversity of British Columbia, Okanagan CampusUniversity of British Columbia
Organismes subventionnairesCanadian Institutes of Health Research
Mots-clésSelf-monitoringSelf-managementBipolar disorderPsychologySelfClinical psychologySelf-helpQualitative researchPsychotherapistPsychiatryMoodSocial psychologyComputer scienceBusiness

Résumé

récupéré en direct d'OpenAlex

BACKGROUND: Self-monitoring is key to detecting and preventing mood episodes in bipolar-disorder (BD). An increasing number of smartphone apps have been developed to facilitate this aspect of self-management; however, the feasibility and efficacy of these interventions is heterogenous. To improve understanding of the subjective experience of app-based self-monitoring interventions for BD, the present study describes a qualitative investigation of the perspectives of individuals participating in an evaluation of a novel self-management app. METHODS: Twenty-five individuals with BD were given access to PolarUs, an app-based self-management intervention, and were later questioned about perceptions of and engagement with this tool. Thematic analysis was used to identify important aspects of the experience of self-monitoring as part of an app-based intervention. RESULTS: Four themes describing experiences of self-monitoring were generated. These included increased self-awareness, the use of self-monitoring to guide self-management, positive and negative emotional responses to self-monitoring, and unmet needs for self-monitoring apps. Three subthemes describing unmet needs were identified, including the provision of proactive coping suggestions, support reviewing data, and tracking additional symptoms, behaviours and life areas. CONCLUSIONS: The present study highlights the importance of taking the subjective experience of users into account during the development, evaluation, and implementation of app-based monitoring interventions in BD. Implications for the use of passively collected data and personalisation of app delivery are discussed.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,008
score de la tête « metaresearch » (Gemma)0,016
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Qualitatif · Signal consensuel: Qualitatif
GenreSignal candidat: Empirique · Signal consensuel: Empirique
Score de désaccord entre enseignants0,008
Score d'incertitude au seuil0,044

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0080,016
Méta-épidémiologie (sens strict)0,0000,001
Méta-épidémiologie (sens large)0,0010,000
Bibliométrie0,0010,001
Études des sciences et des technologies0,0040,004
Communication savante0,0020,002
Science ouverte0,0010,003
Intégrité de la recherche0,0010,002
Charge utile insuffisante (le modèle a refusé de juger)0,0020,000

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.

Tête enseignante Opus0,020
Tête enseignante GPT0,425
Écart entre enseignants0,405 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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 découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeQualitatif
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations5
Publié2025
Routes d'admission2
Résumé présentoui

Explorer davantage

Même revueJournal of Affective DisordersMême sujetDigital Mental Health InterventionsTravaux en français237 207