Refining a Video and Text Message Intervention (STAR, Skills Training in Active Recovery) to Prevent the Onset or Escalation of Posttraumatic Stress and Opioid Misuse Among Recent Sexual Assault Survivors: Community Engaged Study
Notice bibliographique
Résumé
Background: Sexual violence is prevalent, and the consequences can be chronic and impairing. However, few interventions exist to prevent the onset or escalation of posttraumatic stress symptoms and opioid misuse among recent sexual violence survivors. Objective: This study describes a collaborative process of updating an integrated postsexual assault video and developing an SMS text messaging intervention program with a community advisory board (CAB) of sexual assault survivors. Methods: Research team members met virtually for six 60-90-minute meetings with a 5-member CAB of sexual assault survivors with diverse racial and gender identities located throughout the United States. CAB members provided feedback on written documents detailing an adapted video script and newly developed text intervention to address the risk of substance misuse and posttraumatic stress disorder symptoms following sexual assault. CAB members also received SMS text messages to provide feedback from the end-user perspective. Results: We identified overarching themes to improve relatability (destigmatize and increase awareness of support, reduce technical language, and increase representation in actors), content (increase social support, include substance-related assault, and suggest activities), and wording (normalize different terms for sexual assault and reduce insensitive language) for the video intervention. For the text intervention, we identified themes relating to acceptability (timing, frequency, and format of texts), relatability (having an avatar introduce the program and identifying the study name in messages), content (messaging), and wording (increasing clarity). Conclusions: Findings reinforce the importance of including community members' perspectives and suggestions to improve the acceptability and relatability of interventions, including the video and SMS text message intervention described here.
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 | 0,003 | 0,005 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 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 ».