Digital health interventions in reducing loneliness and improving mental health in older adults - a literature review
Notice bibliographique
Résumé
Introduction: Loneliness remains a concerning health issue, especially among the older population. It leads to numerous negative psychological and physiological negative health outcomes. Digital health interventions have presented themselves as promising strategies for mitigating loneliness and improving mental health in this demographic group. Aim of the study: This review aims to evaluate existing literature on select digital health interventions in mitigating loneliness and improving mental well-being in the older population. We aimed to present strengths, limitations and obstacles to adoption of these types of interventions, while providing insights into areas of research which could be more thoroughly explored. Materials and methods: To write this article, databases such as Scopus, PubMed and Google Scholar were searched using the key terms to find relevant information. Studies published between 2009 and 2025 were included. Conclusions: Digital health interventions, including mHealth apps, virtual reality systems (VR), AI (artificial intelligence) chatbots, companion robots, and video communication platforms have shown potential of mitigating loneliness among older adults. However, the evidence is mixed due to differences in methods of measurement, short duration of follow-up research and obstacles to adoption such as digital literacy, technical barriers and ethical considerations. To fully determine their effectiveness, future studies should implement standardized measurement of outcomes, explore personalized interventions and mitigate the barriers to adoption. Possible risks of overreliance, personal data safety, and discouragement of human relations need to be addressed.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,002 | 0,000 |
| Bibliométrie | 0,001 | 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 | 0,001 |
| 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 ».