MétaCan
Menu
← Retour à la cohorte
Enregistrement W4409879194 · doi:10.1101/2025.04.27.25326251

Effectiveness, facilitators and barriers of digital mental health services for First Nations Peoples in Australia: A systematic review

2025· review· en· W4409879194 sur OpenAlexaboutno aff
Shumenghui Zhai, Andrew Goodman, Anthony C Smith, Sandra Diminic, Xiaoyun Zhou

Notice bibliographique

RevuemedRxiv · 2025
Typereview
Langueen
DomaineHealth Professions
ThématiqueMental Health and Patient Involvement
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésMental healthPolitical sciencePsychologyBusinessPublic relationsEconomic growthPsychiatryEconomics

Résumé

récupéré en direct d'OpenAlex

Abstract Background First Nations Peoples in Australia have unique health views. However, due to colonisation and intergenerational trauma, despite the strengths they have, the health inequity in mental health that First Nations Peoples are experiencing is still significant. These historical factors, combined with geographical remoteness and limited access to culturally safe services, resulted in mental health service gaps. Digital mental health (DMH) services, which offer interventions through digital platforms, are considered potential solutions to address this gap. However, there is limited evidence on the effectiveness of DMH for First Nations Peoples in Australia. Aim and Objectives This systematic review aimed to assess the effectiveness of DMH services in improving mental health outcomes for First Nations Peoples in Australia and to identify the facilitators and barriers that influence the implementation of DMH services in this context. Methods A systematic search was conducted across six academic databases to search for studies related to DMH services for First Nations Peoples in Australia. Search terms relating to First Nations Peoples, geographic terminologies of Australia, mental health, specific mental health conditions and digital mental health services were used. Studies were included if they assessed the effectiveness of digital mental health interventions among First Nations people in Australia. Effectiveness was defined as the ability of the DMH service to achieve its major targeted mental health outcome(s) in the current study. The data were extracted based on its study design, targeted services, and research findings, then synthesised using a thematic analysis framework. Results In total, 22 studies met the inclusion criteria. The included studies used a variety of study designs and researched multiple DMH services designed to provide support, treatment, and psychological assessments. A general effectiveness for non-severe mental health conditions was observed in the included studies. Several determinants of facilitators and barriers of the implementation of DMH services were identified, including: 1. Organisational and administrative factors; 2. Cultural appropriateness; 3. Accessibility; 4. Integration of DMH services to the existing situation; 5. Engagement between clients and service providers; 6. Coverage of different conditions and clients; 7. Acceptability to DMH services; 8. Digital literacy, and 9. Efficiency. Conclusion Given the effectiveness in providing services to most mental health conditions, DMH services have the potential to address the mental health needs of First Nations Peoples in Australia. However, the decision-making at multiple layers, as well as the design and implementation of DMH, should consider the determinants identified by this review.

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)0,015
score de la tête « metaresearch » (Gemma)0,072
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Revue systématique · Signal consensuel: Revue systématique
GenreSignal candidat: Synthèse · Signal consensuel: Synthèse
Score de désaccord entre enseignants0,020
Score d'incertitude au seuil0,079

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0150,072
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0070,008
Bibliométrie0,0100,009
Études des sciences et des technologies0,0010,001
Communication savante0,0040,003
Science ouverte0,0020,003
Intégrité de la recherche0,0020,001
Charge utile insuffisante (le modèle a refusé de juger)0,0040,000

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 Opus0,110
Tête enseignante GPT0,453
Écart entre enseignants0,343 · 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'étudeRevue systématique
Domainenon disponible
GenreSynthèse

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

En bref

Citations0
Publié2025
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revuemedRxiv→Même sujetMental Health and Patient Involvement→Travaux en français237 207→