The Effectiveness of Technology‐Based Interventions for Mental Health and Well‐Being: A Systematic Review
Notice bibliographique
Résumé
While technology‐based interventions can effectively promote mental health and well‐being, their effectiveness remains unclear. Gaining more insight into the characteristics of various technology‐based interventions aimed at improving mental health is crucial to understanding why some are effective while others are not. This study aims to review the literature on technology‐based mental health interventions (TMHIs) to investigate 1) whether there is a relationship between TMHI design features/strategies and their effectiveness and 2) highlighting and summarizing emerging trends in the technological intervention design, research method, target mental health issues, persuasive strategies employed in TMHIs, and dropout rate of participants. We provide an empirical review of 18 years (from 2003 to 2020) of TMHI studies. The study found that most studies on TMHIs have reported successful outcomes, suggesting that when combined with the right persuasive strategy, they can promote mental and emotional health. The most common target populations are adults and young adults, with mobile applications being the most common. Despite only three studies using behavioral theories, they were found to be more effective. Finally, we identified the pitfalls and gaps in the literature that could inform the direction of future research in this area. In conclusion, TMHIs are promising tools for improving mental health. Numerous factors can influence their effectiveness.
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 | 0,007 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,007 | 0,008 |
| Bibliométrie | 0,009 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 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 ».