The Acceptability of AI-Driven Resource Signposting to Young People Using a Mental Health Peer Support App
Notice bibliographique
Résumé
Abstract Incorporating artificial intelligence (AI) into mental health applications (apps) can help to personalise support, for example through signposting topic-specific resources based on content that app users interact with. However, there is limited research exploring the acceptability of AI within digital mental health for young people. The current study explored this in the context of an online peer support platform for young people. 12 young people were interviewed online using a think aloud approach; they were aged 16–23 (M 18.64, SD 2.23). Participants identified as White ( n = 7), Chinese ( n = 1), Mixed Race ( n = 1), Indian ( n = 1), Black African ( n = 1) and Bangladeshi ( n = 1). 10 participants identified as women, one as non-binary and one preferred not to say. Participants were users of Tellmi, a pre-moderated mental health peer support app aimed at young people. Participants were given a link to a prototype of the Tellmi app via their web browser in which it was shown how AI could generate suggestions of pre-defined resources based on the content of fictional posts. Users were encouraged to interact with it whilst thinking aloud. Three themes were developed using reflexive thematic analysis: (1) Fear of the unknown - getting to grips with artificial intelligence; (2) AI can help save time and effort by streamlining processes; and (3) The value of human connection, which included the sub-theme: AI isn’t human and shouldn’t pretend to be.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».