Acceptance of Using Artificial Intelligence and Digital Technology for Mental Health Interventions: The Development and Initial Validation of the UTAUT‐AI‐DMHI
Notice bibliographique
Résumé
Digital health technologies are being increasingly integrated into mental healthcare. This means that patients have different treatment options, and clinicians need to consider different ways of supporting their patients too. The adoption of Digital Mental Health Intervention (DMHI) technologies will be influenced by patients' and clinicians' attitudes towards these technologies. The Unified Theory of Acceptance and Use of Technology (UTAUT) is the most commonly used model to examine acceptance of technologies in professional settings, which identifies determinants of behavioural intention to use technologies, such as artificial intelligence (AI). We aimed to develop and validate the UTAUT-AI-DMHI measure to assess acceptance various types of digital and AI-based mental health interventions. We assessed the UTAUT-AI-DMHI's psychometric properties in three interventions: teletherapy via videoconferencing, AI chatbot and AI virtual therapist interventions in two samples. Sample 1 included n = 528 patients, n = 155 clinicians and n = 432 participants belonging to both groups; Sample 2 was used to corroborate the results and included a representative US community sample of n = 536. Our results demonstrated adequate construct validity and reliability of the UTAUT factors. In line with previous UTAUT literature, confirmatory factor analysis revealed that the final 17-item (plus one item assessing Behavioural Intention) scale consisted of seven factors: ease of use, social influence, convenience, human connection, perceived privacy risk, hedonic motivation and therapy quality expectations. All factors were positively associated with general attitudes towards AI and intention to use the intervention in the future in each of the three DMHI formats. This implies that the UTAUT-AI-DMHI self-report scale can be applied to assess acceptance of various kinds of digital and AI-based mental health interventions. Further, the UTAUT-AI-DMHI can be administered as a self-report scale for patients, clinicians and the general public and thus allows for a direct comparison of acceptance of different intervention formats.
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 | 0,011 | 0,025 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 ».